生产、仓储和发货——无论在任何地方制造、分拣或包装货物，均会涉及到拾取流程。在此过程中，机器人通常用于将单独的货物从板条箱中取出并进行重新分门别类。作为 FLAIROP 项目的一部分，Festo 携手德国和加拿大的合作伙伴研究如何利用分布式人工智能算法提升拾取机器人的智能化水平。他们正在研究如何使用来自多个工作站、工厂或公司的训练数据，而不必公开敏感的公司数据。
卡尔斯鲁厄理工学院 (KIT) 材料搬运与物流研究所 (IFL) 的 Jonathan Auberle 表示：“我们正在研究如何使用来自多个位置的各种训练数据和人工智能算法研发一些解决方案，这些解决方案比使用只来自一个机器人的数据所研发的解决方案更稳健、更高效。”
在此过程中，多个拾取工作站的自控机器人抓取并移动物品，以对它们进行分配。这些机器人在各个工作站练习拾放完全不同的物品。训练的最终效果是，它们能够从尚不熟悉的其他工作站抓取物品。卡尔斯鲁厄理工学院的 Jonathan Auberle 表示：“在工业环境中使用分布式学习，也称为‘联邦学习’，我们能够在数据量和数据安全
目前为止，联邦学习主要用于医疗领域的图像分析，其中保护患者数据是一个特别重要的优先事项。因此在训练人工神经网络时，无需交换图像或抓取点等训练数据。只需将部分存储的知识发送给中央服务器，即神经网络的局部权值，该权值代表神经元之间的连接强度。中央服务器收集各个工作站的权值，依据各种标准对它们进行优化。随后将改进后的版本反馈给本地工作站，且此过程会自动重复进行。
该过程的目标是研发性能更好的新算法，在遵守数据保护指南的同时，使人工智能在工业和物流 4.0 中实现强有力的应用。
Festo 高级开发、分析和控制主管 Jan Seyler 表示：“在 FLAIROP 研究项目中，我们正在开发新的方法，使机器人之间相互学习，无需共享敏感数据和公司机密。这样做有两大优势：一是保护客户的数据，二是加快处理速度，机器人能够在更短时间内执行更多任务。例如，协作机器人能够支持生产工人完成重复、 艰巨且繁重的任务。”
DarwinAI 首席执行官 Sheldon Fernandez 表示：“DarwinAI 非常高兴能够将我们的 Explainable (XAI) 平台用于 FLAIROP 项目，而且很荣幸能够与加拿大和德国的知名学术机构以及我们的行业合作伙伴 Festo 合作。我们希望我们的 XAI 技术能够帮助这个令人兴奋的项目实现高价值的人机回圈过程，这项技术展现了我们产品的重要功能以及我们新的联邦学习方法。由于我们植根于学术研究，我们很高兴能够达成此次合作，而且我们的新方法为众多制造业客户提供了产业化优势，为此我们感到很欣慰。”
滑铁卢大学视觉与图像处理研究组联合主任兼 DarwinAI 首席科学家 Alexander Wong 博士表示：“滑铁卢大学非常高兴能够与卡尔斯鲁厄理工学院和 Festo 等工业自动化领域的全球领导者合作，将值得信赖的下一代人工智能技术引入制造业。”
“借助 DarwinAI 的 Explainable AI (XAI) 和联邦学习，我们能够创建 AI 解决方案，帮助工厂工人在日常生产任务中尽可能地提高效率、生产率和安全性。”