Spoločnosť Festo sa orientuje na inteligentnú výrobu budúcnosti. V rámci našej úlohy technologického a inovačného lídra v oblasti priemyselnej automatizácie sa snažíme zaviesť umelú inteligenciu (AI) ako kľúčovú technológiu a kľúčovú kompetenciu a dôsledne ju používať v automatizačných riešeniach pre našich zákazníkov. Preto skúmame nové možnosti a oblasti použitia.
Umelá inteligencia predstavuje množstvo metód a techník. Patria sem metódy ako hlboké učenie, učenie so spätnou väzbou alebo bioinšpirovaná umelá inteligencia. Mnohé tieto metódy nie sú nové, ale lepší výpočtový výkon a modernizovaná infraštruktúra dnes umožňujú ich široké využitie v priemyselnej výrobe. S AI dokážeme riešiť problémy, ktoré boli predtým neriešiteľné: napríklad v regulačnej technike komplexných systémov so silnou dynamikou toku často nie je možné pracovať s metódami založenými na modeli. Abstrakcie sú príliš nepresné alebo matematicky príliš zložité. Prostredníctvom učenia so spätnou väzbou sa budú môcť takéto systémy učiť.
Vďaka učeniu so spätnou väzbou sa môžu stroje nezávisle učiť, ako dosiahnuť daný cieľ alebo vyriešiť problém. Veľkou výhodou je, že počítač si sám nájde cestu, ktorá sa môže úplne líšiť od tej, ktorú by navrhol človek so svojimi skúsenosťami. V mnohých prípadoch tak vznikajú riešenia, o ktorých sa predtým neuvažovalo. Oblasti použitia sú veľké: od regulačnej techniky cez robotiku po plánovanie dodávateľského reťazca má učenie so spätnou väzbou obrovský potenciál.
Hlboké učenie je vhodné najmä pre zručnosti, ktoré musí robot zvládať veľmi dobre: napríklad uchopenie neznámych predmetov, ale vždy s rovnakým uchopovačom. Festo prenáša algoritmy hlbokého učenia do oblasti strojového videnia, ale aj na spájanie snímačov pre haptiku, akustiku a infračervené žiarenie s robotikou. Doteraz boli roboty často založené na kamerách a nemohli pokračovať v práci napríklad pri poruche svetla. Haptické, akustické a infračervené snímače poskytujú robotom vyššiu odolnosť a funkcie aj v náročných podmienkach.
V oblasti distribuovaných nehomogénnych systémov skúmame, či je možné, aby sa rôzne systémy učili jeden od druhého: napríklad, či manipulačný systém môže odovzdať svoje poznatky robotu. V tomto prípade nejde o výmenu údajov, ale o to, že systémy medzi sebou komunikujú a navzájom si poskytujú poznatky, ktoré sa naučili. V takom prípade sa celé systémy môžu samy optimalizovať a zlepšovať o to ľahšie, o čo inteligentnejšie sú použité komponenty. Ak napríklad os s vretenom a nadrozmerný valec pracujú za sebou, valec oznámi osi s vretenom, že by sa mala vysúvať vyššou rýchlosťou, a nie použitím plného tlaku. Takouto spoluprácou sa ušetrí energia a dosiahne vyššia účinnosť.
Učenie sa z prírody je pre Festo dôležitou zásadou, a to nielen v bionike. Príroda môže slúžiť aj ako model pre algoritmy. Štruktúra neurónových sietí je čiastočne vyvinutá podľa ľudského mozgu, ale funkčnosť pulzných neurónových sietí (Spiking Neural Networks) sa ľudskému mozgu približuje ešte viac. Takéto siete dokážu prenášať a spracovávať informácie nezávisle od seba (a nielen vo vrstvách, ako je to v neurónových sieťach). Pracujú energeticky účinnejšie a rýchlejšie, a preto by sa mohli využiť pre zabudované systémy s malým výpočtovým výkonom.
V rámci spolupráce „Industry on Campus“ s univerzitou v Tübingene spoločne skúmame, či siete Spiking Neural Networks dokážu vyriešiť komplexnejšie, dokonca kreatívne úlohy.
Univerzita v Tübingene a Festo okrem iných spoločných výskumných aktivít pracujú na zovšeobecniteľnosti a prenosnosti algoritmov. Je dôležité, aby nemusel byť pre každý systém a každý prípad použitia školený samostatný model, aby sa dali prenášať algoritmy.