Die Festo SE & Co. KG und die Universität Tübingen arbeiten künftig in der Erforschung der künstlichen Intelligenz (KI) zusammen. Kürzlich unterzeichneten die Kooperationspartner einen Vertrag über gemeinsame Forschungsaktivitäten für autonome Systeme: Im Rahmen einer Industry-on-Campus-Kooperation baut Festo ein KI-Labor an der Universität auf.
Um individuelle Produkte effizient herstellen zu können, braucht es autonome Systeme in der Produktion. Sie sind wandelbar und können Aufgaben selbstständig lösen und sich immer wieder aufs Neue anpassen: Vom Transportsystem innerhalb eines Werks über flexible Produktionsanlagen bis hin zur Qualitätskontrolle sind autonome Systeme eine der Schlüsseltechnologien für die smarte Fabrik der Zukunft.
KI-Labor mit dem Forschungsschwerpunkt Autonome Systeme
Kollaborative Roboter können voneinander lernen und den Menschen bei sich wiederholenden und ermüdenden Aufgaben unterstützen. Das Potenzial für KI-basierte Anwendungen, um die Gesamtanlageneffektivität in der Produktion zu erhöhen, ist enorm. Daher hat sich Festo mit seinem KI-Labor für den Forschungsschwerpunkt Autonome Systeme entschieden.
Festo übergibt Vorsitz der Plattform Industrie 4.0 an Phoenix Contact
Im Rahmen einer Industry-on-Campus-Kooperation ordnet Festo den KI-Experten Dr. Shahram Eivazi für fünf Jahre an die Universität Tübingen ab. Er wird eine Arbeitsgruppe aufbauen, die das selbständige Lernen komplexer Aufgaben erforscht, und dabei eng mit der Arbeitsgruppe Human-Computer Interaction von Prof. Dr. Enkelejda Kasneci zusammenarbeiten.
Schwerpunkt Deep Reinforcement Learning für Robotik
Der Schwerpunkt liegt zunächst auf Deep Reinforcement Learning für Robotik. Deep Reinforcement Learning kombiniert neuronale Netze mit dem Lernen durch Bestärken: Der Roboter versucht, durch Ausprobieren (Trial-and-Error) ein vorgegebenes Ziel zu erreichen. Anhand der erhaltenen Rückmeldungen optimiert er nach und nach seine Aktionen, bis er die Aufgabe erfolgreich löst.
„Zwischen Massenfertigung und Hochvarianzproduktion“
Meta Learning, Edge AI, AutoMachineLearning-Ansätze, verteiltes Lernen und generative Modelle sind weitere KI-Felder, die anwendungsorientiert untersucht werden sollen. Die Ergebnisse fließen kontinuierlich in bestehende und neue KI-Anwendungen von Festo ein.
