USI-0002  SDI-1624  HONEYWELL ，用于工业和物流4.0的人工智能

生产、仓库、运输——生产、储存、分拣或包装货物的地方，也是提货的地方。这意味着几个单独的货物从存储单元如箱子或纸盒中取出并重新组装。有了FLAIROP(机器人采摘的联邦学习)项目费斯托来自卡尔斯鲁厄理工学院(KIT)的研究人员与来自加拿大的合作伙伴一起，希望使用分布式人工智能方法让采摘机器人变得更智能。为此，他们正在研究如何使用来自多个工作站、多个工厂甚至公司的培训数据，而不要求参与者交出敏感的公司数据。

KIT材料处理与物流研究所(IFL)的Jonathan Auberle表示:“我们正在研究如何利用来自多个地点的最通用的训练数据，通过人工智能算法开发出比仅来自一个机器人的数据更强大、更高效的解决方案。”。在此过程中，自动机器人通过抓取和转移的方式在几个拣选站对物品进行进一步加工。在不同的站点，机器人接受不同物品的训练。最后，他们应该能够掌握他们尚未了解的其他站的文章。“通过联合学习的方法，我们在工业环境中平衡了数据多样性和数据安全性，”这位专家说。
面向工业和物流4.0的强大算法
 
到目前为止，联合学习主要用于医疗部门的图像分析，在这种情况下，患者数据的保护具有特别高的优先级。因此，没有用于训练人工神经网络的训练数据(例如图像或抓取点)的交换。只有一些储存的知识——神经网络的局部权重告诉我们一个神经元与另一个神经元的联系有多紧密——被转移到中央服务器。在那里，来自所有站点的权重被收集并使用各种标准进行优化。然后，向本地电台回放改进的版本，并重复该过程。目标是开发新的、更强大的算法，用于工业和物流4.0的人工智能的稳健使用，同时遵守数据保护准则。

“在FLAIROP研究项目中，我们正在开发机器人相互学习的新方法，而不会共享敏感数据和公司机密。这带来了两个主要好处:我们保护了客户的数据，我们提高了速度，因为机器人可以更快地接管许多任务。例如，通过这种方式，协作机器人可以支持生产工人完成重复、繁重和累人的任务，”Advanced Develop负责人Jan Seyler解释道。Festo SE & Co. KG的分析和控制在项目期间，将建立总共四个自主拣选站来训练机器人:两个在KIT材料处理和物流研究所(IFL ),两个在Festo SE公司位于Esslingen am Neckar。

AO810 3BSE008522R1
DO810 3BSE008510R1
TU810V1 3BSE013230R1
DI810 3BSE008508R1
AI810 3BSE008516R1
PFEA111-65
5SHX2645L0004
3BHL000389P0104
3BHB003154R0101  
5SXE04-0150
GVC707AE01
5SXE04-0150/GVC707AE01
DI801
DO801
FAN D2D160-CE02-11
ACS355-03E-02A4-4
DSSR122 4899001-NK
DSDI452
DSDX451