生產、倉儲和發貨 — 無論在任何地方製造、分揀或包裝貨物，均會涉及到揀選流程。在此過程中，機器人通常用於將單獨的貨物從大木箱中取出、並進行重新分門別類。做為 FLAIROP 專案的一部分，Festo 與來自德國和加拿大的合作夥伴合作，研究如何利用分散式人工智慧演算法提升揀選機器人的智慧化程度。他們正在研究如何使用來自多個工作站、工廠或公司的訓練資料，而不必公開敏感的公司資料。
卡爾斯魯爾理工學院 (KIT) 材料處理與物流研究所 (IFL) 的 Jonathan Auberle 表示：「我們正在研究如何使用來自多個位置的各種訓練資料和人工智慧演算法研發一些解決方案，這些解決方案比使用只來自一個機器人的資料所研發的解決方案更穩妥、更高效。」
在此過程中，多個揀選工作站的自主機器人透過抓取和移動來分配物品。這些機器人在各個工作站訓練揀選完全不同的物品，訓練的最終效果是，這些機器人能夠從其他工作站抓取它們不曾學習的物品。卡爾斯魯爾理工學院的 Jonathan Auberle 表示：「在工業環境中使用分散式學習，也稱為『聯盟式學習』，我們能夠在資料量和資料安全
目前為止，聯盟式學習主要用於醫療領域的影像分析，其中保護患者資料是一個特別重要的優先事項。因此在訓練人工神經網路時，不需要交換影像或抓取點等訓練資料。只需將部分儲存的知識發送給中央伺服器，亦即神經網絡的局部權值，該權值代表神經元之間的連接強度。中央伺服器收集各個工作站的權值，依據各種標準進行優化。隨後將改進後的版本回饋給本地工作站，並自動重複這個過程。
該過程的目標是研發性能更好的新演算法，在遵守資料保護準則的同時，促使人工智慧在工業和物流 4.0 中實現強有力的應用。
Festo 資深開發、分析和控制主管 Jan Seyler 表示：「在 FLAIROP 研究專案中，我們正在開發新的方法，促使機器人之間相互學習，而無需共享敏感資料和公司機密。這樣做有兩大優勢：一是保護客戶的資料，二是加快處理速度，因為機器人能夠在更短時間內執行更多任務。例如，協作機器人能夠支援生產工人完成重複、艱巨且繁重的任務。」
DarwinAI 執行長 Sheldon Fernandez 表示：「DarwinAI 非常高興能夠將我們的 Explainable (XAI) 平台用於 FLAIROP 專案，而且很榮幸能夠與加拿大和德國的知名學術機構以及我們的行業合作夥伴 Festo 合作。我們希望我們的 XAI 技術有助於這個令人興奮的專案、實現高價值的人機回圈過程，這項技術展現了我們產品的重要功能以及我們新的聯盟式學習方法。由於我們紮根於學術研究，我們很高興能夠達成此次合作，而且我們的新方法為眾多製造業客戶提供了產業化優勢，為此我們感到很欣慰。」
滑鐵盧大學視覺與影像處理研究組聯合主任兼 DarwinAI 首席科學家 Alexander Wong 博士表示：「滑鐵盧大學非常高興能夠與卡爾斯魯爾理工學院和工業自動化領域的全球領導者 Festo 合作，將值得信賴的下一代人工智慧技術引入製造業。」
「藉由 DarwinAI 的 Explainable AI (XAI) 和聯盟式學習，我們能夠建立人工智慧解決方案，協助工廠工人在日常生產任務中盡可能地提高效率、生產率和安全性。」