ทันเอไอ

Un estudio usa RAG y MCP para ayudar a la IA a escribir y corregir programas de robots ABB

Investigadores proponen un flujo de trabajo en el que un modelo de lenguaje genera programas ABB RAPID a partir de instrucciones generales y luego los prueba y corrige automáticamente mediante software de simulación.

Un nuevo estudio publicado en arXiv, con el número 2608.21417, propone usar un modelo de lenguaje —capaz de generar texto y código— para programar robots industriales ABB. El objetivo es reducir el tiempo que las fábricas dedican a adaptar sus programas cuando cambian de producto, modelo o proceso de producción.

El sistema recibe una descripción de la tarea en lenguaje natural y genera código ABB RAPID, el lenguaje de programación de robots de ABB. En lugar de depender únicamente del conocimiento interno del modelo, emplea dos canales de Retrieval-Augmented Generation o RAG —generación aumentada por recuperación— que consultan tanto documentación técnica verificada como plantillas de procesos de fabricación. Así, el código se ajusta mejor a los requisitos específicos del sistema.

Otro componente es un MCP Server creado específicamente para conectar el cliente del modelo de lenguaje directamente con ABB RobotStudio. El sistema puede cargar el código, ejecutar una simulación y devolver información de diagnóstico al modelo para que corrija el programa de forma iterativa. Esto crea un ciclo de retroalimentación entre la programación y las pruebas, en vez de detenerse tras la primera generación de código.

Los investigadores señalan que la simulación permite detectar fallos de ejecución que los análisis estáticos —sin ejecutar el código— o semánticos —centrados en el significado y la coherencia de las instrucciones— podrían pasar por alto. Entre los ejemplos mencionados figuran una altura inadecuada al soltar una pieza y posiciones objetivo fuera del alcance del brazo robótico.

La evaluación incluye 30 preguntas para probar la recuperación de información, además de pruebas de generación de código dentro de un ámbito definido. Sin embargo, la información disponible aún no ofrece cifras detalladas sobre la tasa de éxito, por lo que no es posible determinar hasta qué punto el método está listo para fábricas o distintos tipos de robots. El artículo sigue siendo la versión arXiv v1 y fue aceptado para su presentación en CIE53, en Khalifa University, Abu Dabi, en octubre de 2026.