基于 RAG 与 MCP 的工业机器人程序生成与仿真纠错

近日发表于 arXiv 的一篇论文提出了一种将大语言模型与工业机器人仿真深度结合的工作流，旨在让用户以自然语言描述任务，由模型自动生成可在 ABB RobotStudio 中执行并验证的 RAPID 机器人程序。该工作针对柔性制造场景下产品频繁换型、机器人需要快速重编程的痛点，尝试用 LLM 替代或辅助人工编程。

核心方法：双路 RAG 接地代码生成

论文采用双路检索增强生成（RAG）管线，将代码生成「锚定」在经过验证的技术文档与生产模板上，以缓解通用语言模型在工业领域容易产生的领域错误。具体而言：

• 第一路检索面向 ABB RAPID 语法、函数库等技术文档，确保生成的代码符合平台规范。
• 第二路检索面向生产模板与历史程序片段，使生成结果更贴近真实产线逻辑。

通过这种接地方式，模型输出的程序在静态正确性和语义一致性上都有所提升。

基于 MCP 的仿真闭环纠错

论文的另一关键贡献是自定义了一个 Model Context Protocol（MCP）服务器，将大模型客户端直接接入 ABB RobotStudio，实现：

• 程序自动上传到仿真环境。
• 在仿真中执行并收集诊断反馈。
• 将失败信息回传给模型，进入下一轮纠错循环。

这一闭环使得仅靠静态与语义检查无法暴露的运行时错误，例如吸盘释放高度不足、放置目标不可达、构型相关的恢复动作异常等，都能被捕获并反馈给模型修正。

评估与结论

作者构建了包含 30 个查询的检索基准，对 RAG 的命中与接地效果进行评估；同时在模拟的拾取—放置（pick-and-place）制造单元中完成 RobotStudio 案例研究。结果显示，RAG 与 MCP 的组合能够将基于文档接地的代码生成与工业机器人仿真软件的可执行反馈衔接起来，显著降低纯静态检查的盲区。

论文也坦承，该流程并未完全消除专家的介入：在部署前仍需要领域人员完成环境配置，并对最终结果进行审核与监督。换言之，该方法定位为「加速与辅助」而非「全自动替代」，更适用于产线频繁换型、需要快速生成可仿真验证初稿的场景。