MCCoder-通过 LLM 辅助代码生成和严格验证简化运动控制-计算机科学-大语言模型-辅助代码生成-运动控制.pdf

MCCoder:通过LLM辅助代码生成和严格验证简化运动控制

YinLi,LiangweiWang,ShiyuanPiao,Boo-HoYang,ZiyueLi,WeiZeng,FugeeTsung

Abstract—大型语言模型（LLMs）在代码生成方面展示

了巨大的潜力。然而，在工厂自动化领域——特别是运动控制

中，手动编程以及低效且不安全的调试实践仍然普遍存在。这源

于机械和电气系统之间复杂的相互作用及严格的安全要求。此

外，目前大多数人工智能辅助运动控制编程工作都集中在PLC

上，而很少关注高级语言和函数库。为了解决这些挑战，我们

引入了MCCoder，这是一个专为生成运动控制代码设计的基

于LLM的系统，并集成了一个软运动控制器。MCCoder通

过结合多任务分解、混合检索增强生成（RAG）以及迭代自我

本纠正的方法来改进代码生成，利用了一个成熟的运动库。此外，

它还整合了3D模拟器以进行直观的运动验证和全程运动轨迹

译的日志记录，显著提高了准确性和安全性。在缺乏专门用于评

中估运动控制代码生成基准数据集和指标的情况下，我们提出了

MCEVAL，一个涵盖不同复杂度运动任务的数据集。实验显

3

v示，使用高级RAG的MCCoder的表现优于基线模型，在

4MCEVAL数据集中实现了整体性能提升33.09%，并且在复

5杂任务上的表现提升了131.77%。MCCoder可公开获取于

1

5/MCCodeAI/MCCoder。

1Fig.1.高级RAG与LLM辅助的MCCoder之间的比较。使用高级RAG

.I.介绍生成代码的通过率和效率较低，需要大量的调试，并且存在安全问题。相

0

1比之下，MCCoder通过任务分解、自我校正和模拟器中的软运动来生成代

4运动控制是工厂自动化的基础要素，极大地改进码，确保数据验证并实现安全的机器部署。

2了工业流程，从20世纪50年代引入数控（NC）机床

:气和机械部件协调进行迭代调试以提升运动性能并解

v到今天先进的AI驱动机器人和半导体设备的演变。虽

i决操作过程中对人类操作员和机械设备潜在的危害。

x然运动控制涵盖了多种编程方法（例如CAD/CAM、

r近期对基于大语言模型的代码生成的关注揭示了

aPLC和机器人示教），本文特别专注于运动API调用

其解决编程挑战的强大能力[1]。尽管自动化控制中

领域。目前，在这一领域的软件工程师主要依赖于手

的传统代码生成通常依赖于模型驱动或规则基础的方

动编程和调试运动控制系统，这是由于制造过程复杂

法，但最近的进步已经开始探索基于大语言模型的方

以及关键机械设备安全考虑所驱使的。某些运动库包

法。例如，提出了一种检索增强方法[2]来生成IEC

含超过1,000个带有覆盖参数的API和超过100个同

61131-3程序，而LLM4PLC[3]使用用户反馈和外部

步运动通道，这导致了一个陡峭的学习曲线，并限制