ทันเอไอ

Une étude utilise RAG et MCP pour aider l’IA à écrire et corriger des programmes de robots ABB

Des chercheurs proposent un workflow permettant à un modèle de langage de générer des programmes ABB RAPID à partir d’instructions générales, puis de les tester et de corriger automatiquement les erreurs dans un logiciel de simulation.

Une nouvelle étude publiée sur arXiv sous le numéro 2608.21417 propose d’utiliser un Language Model (modèle de langage générant du texte et du code) pour programmer des robots industriels ABB. L’objectif est de réduire le temps nécessaire aux usines pour adapter leurs programmes lors d’un changement de produit, de modèle ou d’étape sur la chaîne de production.

Le système reçoit une description de la tâche en langage naturel, puis génère du code ABB RAPID, le langage de programmation des robots ABB. Le modèle ne s’appuie pas uniquement sur ses connaissances internes : il utilise deux flux de Retrieval-Augmented Generation, ou RAG (récupération de références avant la génération), qui consultent à la fois une documentation technique vérifiée et des modèles issus de tâches de production. Le code respecte ainsi davantage les exigences propres au système.

Un MCP Server spécialement conçu relie directement le client du modèle de langage à ABB RobotStudio. Le système peut donc téléverser le code, lancer une simulation et renvoyer au modèle le Diagnostic Feedback (informations de diagnostic des erreurs), afin qu’il corrige le programme de manière itérative. Ce processus crée une boucle de rétroaction entre l’écriture du code et les tests, au lieu de s’arrêter après la première génération.

Selon les chercheurs, la simulation permet de détecter des Execution failures (échecs lors de l’exécution) susceptibles d’échapper aux contrôles Static (analyse du code sans l’exécuter) ou Semantic (vérification du sens et de la cohérence des instructions). Parmi les exemples signalés figurent une hauteur inadéquate lors du dépôt d’une pièce et une position cible hors de portée du bras robotique.

L’évaluation comprend 30 questions destinées à tester la récupération d’informations, ainsi que des tests de génération de code dans un périmètre défini. Les données disponibles ne fournissent toutefois pas de résultats chiffrés détaillés. Il est donc encore impossible de déterminer dans quelle mesure cette méthode est prête à être déployée en usine ou sur différents types de robots. L’article est toujours en version arXiv v1 et a été accepté pour une présentation à CIE53, à Khalifa University, à Abu Dhabi, en octobre 2026.