《Technologies》：Quantitative Evaluation of Automatic Translation Between Industrial Robot Programming Languages Using Machine Learning
编辑推荐：
本文介绍了一项基于序列到序列（Seq2Seq）神经架构并使用长短期记忆（LSTM）网络的工业机器人编程语言之间自动翻译系统的定量评估。该研究通过提出一种能够学习结构化代码指令之间对应关系的数据驱动方法，解决了专有机器人编程语言之间的互操作性问题。研究人员构建了
本文介绍了一项基于序列到序列（Seq2Seq）神经架构并使用长短期记忆（LSTM）网络的工业机器人编程语言之间自动翻译系统的定量评估。该研究通过提出一种能够学习结构化代码指令之间对应关系的数据驱动方法，解决了专有机器人编程语言之间的互操作性问题。研究人员构建了一个包含28,000条对齐指令对的并行数据集，并通过分词和标准化进行预处理，以实现结构化序列学习。模型在四种配置（50、100、150和200个训练周期）下进行训练，以分析训练时长对性能和泛化能力的影响。该系统使用多种定量指标进行评估，包括准确率、损失、BLEU和精确匹配（EM），从而能够评估结构相似性和精确序列正确性。实验结果表明，200个训练周期的配置在所有指标上均提升了性能，在测试集上达到了0.9943的准确率、0.682的BLEU分数和0.970的精确匹配。这些结果表明该模型能够生成结构一致且句法正确的翻译。分析表明，BLEU捕获结构相似性，而EM则提供了更严格的精确序列正确性评估，这在结构化代码翻译任务中至关重要，因为微小变化可能影响执行。所提出的方法证明了将神经机器翻译技术应用于工业机器人编程的可行性，有助于提高多平台机器人环境中的互操作性并减少人工工作量。
论文解读文章
**研究背景与动机**
现代工业自动化高度依赖可编程机器人执行高精度任务，但不同制造商采用专有编程语言（如FANUC、KUKA KRL），语法、控制结构、运动定义和工具配置差异显著，导致异构平台间程序迁移与复用困难。企业扩展自动化基础设施时，通常需人工手动改编程序，产生高昂工程成本、停机时间和人为错误风险，限制了制造灵活性，与工业4.0智能、自适应、互操作系统的理念相悖。现有解决方案如离线编程（OLP）、后处理和转换工具多依赖专家定义的规则，无法保证源程序与目标程序间的完整语义对应。文献中虽已有基于神经网络的代码翻译研究，但应用于工业机器人编程语言仍有限，且评估翻译质量面临挑战：传统指标如BLEU针对自然语言设计，不能充分反映结构化代码的正确性，微小语法差异可能导致程序不可执行。为此，研究人员提出一种基于人工智能的自动翻译方法，聚焦FANUC到KUKA语言对，构建并行数据集并训练LSTM Seq2Seq模型，进行定量评估。该论文发表在《Technologies》上。
**主要关键的技术方法**
研究人员构建了包含28,000条对齐指令对的并行数据集，数据来源包括真实工业机器人程序（来自机器人单元）和模拟生成示例（RoboGuide环境）。指令经分词和标准化处理，转化为最大长度30个token的序列，并赋予整数索引。采用基于LSTM的Seq2Seq架构，编码器和解码器各含128个隐藏单元，嵌入层维度128，使用dropout（0.2）和recurrent dropout（0.2）正则化，teacher forcing加速收敛。训练使用Adam优化器（学习率0.001），批大小16，训练周期分别为50、100、150和200个epoch。评估指标包括损失、准确率、BLEU和精确匹配（EM）。
**研究结果**
- **3.1 训练演化**：通过损失和准确率曲线分析，模型在训练集上损失逐渐趋近于零，验证集损失略高但趋势一致；准确率持续上升，训练集接近1.0，验证集稳定高于0.97，表明模型有效学习序列对应关系且无显著过拟合。200 epoch配置相比50 epoch表现出更好的收敛性和更低的验证损失。
- **3.2 最终结果**：在测试集上，200 epoch配置达到准确率0.9943、损失0.0227、BLEU 0.682、EM 0.970，表明模型在token级别预测精度和序列结构相似性上表现优异，97%的生成序列与参考完全匹配。增加训练周期显著提升所有指标，特别是EM。
- **3.3 跨数据集比较**：训练集、验证集和测试集上结果一致，验证集准确率约0.9941，测试集准确率0.9943，BLEU 0.682，说明模型未过拟合，泛化能力良好。准确率接近完美而BLEU较低，反映了token级精度与序列级结构相似性的差异。
- **3.4 性能分析**：BLEU与EM的联合分析揭示了模型的两方面表现：BLEU高表明结构相似性强，EM则严格衡量精确序列正确性。200 epoch配置在所有指标上优于50 epoch。模型能生成句法正确序列，但参数表示和token顺序在低频指令模式中存在误差。
- **3.5 统计分析与可重复性**：10次独立运行（200 epoch）显示各项指标低变异（均值：准确率0.9943，损失0.0227，BLEU 0.682，EM 0.970，训练时间约171秒），表明模型稳定且可重复。
- **3.6 定性翻译示例**：以FANUC程序（RoboGuide生成）转换为KUKA KRL格式为例，模型正确映射运动指令（J→PTP，L→LIN），生成KUKA标准的主程序（.SRC）和数据文件（.DAT）。但参数表示（如终止条件FINE无直接对应）和格式差异导致翻译结果与参考不完全匹配，解释了BLEU和EM未达1.0的原因。
**讨论与结论**
讨论部分指出：与Transformer和大语言模型（如T5、CodeT5、CodeBERT、StarCoder、Llama变体）相比，LSTM Seq2Seq架构在中等数据集和有限计算资源下取得了良好效果，适用于工业机器人语言翻译。但存在局限性：仅针对FANUC和KUKA语言，数据集规模有限（28,000对），未在仿真或实际环境中验证执行正确性，且未与更先进架构进行实验比较。未来工作拟扩展至多语言（如ABB RAPID），并在仿真环境（RoboGuide、WorkVisual、RobotStudio）中评估执行正确性，及翻译完整程序。
结论部分翻译如下：
在本工作中，研究人员提出了一种基于人工智能的方法，用于自动翻译工业机器人编程语言中的指令。通过使用基于LSTM网络的序列到序列（Seq2Seq）架构，结合对齐的并行数据集，成功建模了FANUC和KUKA语言指令之间的对应关系。结果表明，模型有效学习了结构化序列之间的关系，在验证集和测试集上均达到高准确率，并取得具有竞争力的BLEU分数。具体而言，模型在测试集上达到0.9943的准确率、0.682的BLEU和0.970的精确匹配。这些结果表明模型具有充分捕获所分析编程语言句法结构的能力。此外，精确匹配（EM）指标的使用实现了更严格的模型评估，突出了结构相似性与生成序列精确对应之间的差异。该分析强调了在代码翻译任务中使用多种指标的重要性，尤其是在微小变化可能影响程序执行的场景中。最后，本工作及所提出的方法证明，基于深度学习的模型可有效用于改善工业机器人系统间的互操作性，减少对传统规则方法的依赖，并促进不同平台间的适配。
