抓住和操纵各种形状和尺寸的物品，长期以来一直是工业机器人面临的最大挑战之一。难度可能是波兰迪悖论的最佳概括，这些悖论是我们“比我们所知的更多信息”。实质上，虽然可以很容易地教导机器在需要摘要推理的任务中表现出高水平的性能，但在运行计算之类的诸如运行计算的任务中，甚至甚至是一个小孩的感官运动技能就会大大难以最标准化和可预测的环境。
然而,需要灵活的拣选，以适应更加多样化产品在上升时的转换时间降低在美国，工业界正在寻求解决这个问题的新办法。
一个新的合作项目费斯托以及卡尔斯鲁厄理工学院(KIT)，名为FLAIRPOP(机器人采摘联合学习)，旨在利用来自多个工作站、工厂甚至公司的训练数据，更有效地驱动深度学习算法，以帮助采摘机器人变得更有适应性。这种方法与云驱动的机器学习算法使用的方法类似，它利用比各个最终用户更大的数据更多的数据。
KIT材料处理和物流研究所的乔纳森·奥伯利(Jonathan Auberle)表示，这个过程是通过允许多个不同拾取站的自主机器人抓取和转移各种形状和大小的物品来实现的。然后，这些数据被聚合和共享，允许其他机器人更有效地操作它们尚未遇到的对象。
在这一点上，这项技术并不是全新的。它已经在医学领域取得了巨大的成功，用于图像分析。此外，据Festo分析与控制高级开发主管Jan Seyler称，由于患者数据的保护在医疗领域是一个高度优先级，它在设计上具备良好的能力来保护知识产权，即使是在众多公司的数据被合成的情况下。
“在Flairop Research项目中，我们正在为机器人互相学习的新方法，而不共享敏感的数据和公司秘密。这带来了两个主要好处：1）我们保护客户的数据和2）我们获得速度，因为机器人可以更快地接受多项任务。通过这种方式，协作机器人可以例如支持具有重复，重和累人的任务的生产工人，“Seyler说。
KIT将为该项目贡献其在机器人、深度学习和数据安全方面的专业知识，而Festo将负责在真实环境中的试点部署。此外，试点部署将使用初创企业达尔文人工智能(DarwinAI)的可解释AI (XAI)平台，该平台能够清楚地向人类操作员解释人工智能(AI)算法的行为方式。
“我们希望我们的Xai技术能够为这一令人兴奋的项目实现高价值，人力循环流程，这代表了我们提供的重要方面，与我们的新的联合学习方法相同。在学术研究中，我们热衷于这一合作和我们新方法对各种制造客户的工业效益，“达尔温泰首席执行官Sheldon Fernandez说。
