Festo hướng tới nền sản xuất thông minh trong tương lai. Với vai trò là doanh nghiệp dẫn đầu về công nghệ và đổi mới trong tự động hóa công nghiệp, chúng tôi đặt mục tiêu thiết lập trí thông minh nhân tạo (AI) như một công nghệ quan trọng và năng lực cốt lõi để sử dụng nó một cách nhất quán cho các giải pháp tự động hóa của khách hàng. Do đó, chúng tôi đang nghiên cứu các khả năng và lĩnh vực ứng dụng mới.
Trí thông minh nhân tạo là tiêu biểu cho nhiều phương pháp và kỹ thuật. Điều này bao gồm các phương pháp như Deep Learning, Reinforcement Learning hoặc AI lấy cảm hứng từ sinh học (bio-Inspired AI). Nhiều phương pháp trong số này không phải là mới, nhưng khả năng tính toán ngày càng tăng và cơ sở hạ tầng hiện đại hóa hiện đã cho phép chúng được sử dụng rộng rãi trong sản xuất công nghiệp. Với AI, chúng tôi có thể giải quyết các vấn đề trước đây không thể giải quyết được: Ví dụ: trong kỹ thuật điều khiển của các hệ thống phức tạp với động lực dòng chảy mạnh, thường không thể làm việc với các phương pháp dựa trên mô hình. Các phần trừu tượng quá không chính xác hoặc quá phức tạp về mặt toán học. Reinforcement Learning sẽ cho phép chúng tôi đào tạo các hệ thống như vậy trong tương lai.
Với Reinforcement Learning, máy móc có thể tự học để đạt được một mục tiêu nhất định hoặc giải quyết một vấn đề. Ưu điểm tuyệt vời là máy tính tự tìm ra một cách có thể hoàn toàn khác với những gì một con người có kinh nghiệm uyên bác sẽ làm. Trong nhiều trường hợp, các giải pháp được tạo ra mà trước đây không ai nghĩ đến. Các lĩnh vực ứng dụng rất lớn: từ công nghệ điều khiển tự động bằng robot đến lập kế hoạch Supply Chain, Reinforcement Learning mở ra tiềm năng to lớn.
Deep Learning đặc biệt phù hợp với các kỹ năng cá nhân mà robot phải rất giỏi: ví dụ như nắm chặt các vật thể không xác định, nhưng luôn với cùng một bộ kẹp. Festo chuyển giao các thuật toán Deep Learning trong lĩnh vực thị giác, cũng như kết hợp của các cảm biến cảm ứng, âm học và hồng ngoại trong robot. Từ trước đến nay, robot thường hoạt động dựa trên camera và không thể tiếp tục hoạt động nếu, ví dụ như bị lỗi nhẹ. Cảm biến Haptic, âm thanh và hồng ngoại làm cho robot mạnh mẽ hơn và cũng hoạt động trong các điều kiện khó khăn hơn.
Trong lĩnh vực hệ thống phân tán không đồng nhất, chúng tôi đang điều tra xem liệu các hệ thống khác nhau có thể học hỏi lẫn nhau hay không: ví dụ như một hệ thống Handling có thể truyền kiến thức của nó cho robot hay không. Trong trường hợp này, kiến thức không có nghĩa là dữ liệu được trao đổi, mà là các hệ thống giao tiếp với nhau và chia sẻ kiến thức đã học với nhau. Nếu điều này là có thể, toàn bộ hệ thống có thể tự tối ưu hóa và trở nên tốt hơn khi các thành phần thông minh hơn được cài đặt. Ví dụ, nếu một trục vít và một xy lanh quá khổ đang làm việc lần lượt, thì xy lanh của trục vít báo cáo rằng nó nên được kéo dài ở tốc độ cao hơn thay vì với toàn bộ áp suất. Chúng cùng nhau tiết kiệm năng lượng và hiệu quả hơn.
Học hỏi từ tự nhiên là một nguyên tắc quan trọng đối với Festo, và không chỉ trong các thiết bị sinh học. Tự nhiên cũng có thể là một hình mẫu cho các thuật toán. Mạng lưới thần kinh được mô phỏng một phần dựa trên cấu trúc của não người, nhưng hoạt động của mạng lưới thần kinh (Spiking Neural Networks) tăng đột biến, thậm chí còn gần với hoạt động của não người. Chúng có thể truyền và xử lý thông tin độc lập với nhau (và không chỉ trong các lớp, như với mạng nơ-ron). Chúng hoạt động tiết kiệm năng lượng hơn và nhanh hơn, do đó có thể là một cách tiếp cận đầy hứa hẹn cho các hệ thống nhúng có ít khả năng tính toán.
Là một phần trong hợp tác "Industry on Campus" với Đại học Tübingen, chúng tôi đang cùng nhau khảo sát xem liệu Spiking Neural Networks có thể giải quyết các nhiệm vụ phức tạp hơn hoặc thậm chí là sáng tạo hay không.
Ngoài các hoạt động nghiên cứu chung khác, đại học Tübingen và Festo đang nghiên cứu về khả năng tổng quát hóa và khả năng chuyển giao của các thuật toán. Điều quan trọng là một mô hình riêng biệt không phải đào tạo cho mọi hệ thống và mọi trường hợp sử dụng để chúng tôi có thể chuyển giao các thuật toán.