1.一种基于自然语言的工业机器人辅助编程方法，其特征在于，步骤如下：步骤(1)、对输入数据进行预处理；所述的输入数据为语言指令和环境图像，通过使用带LSTM的Bi-RNN提取语言指令的特征，通过F-RCNN处理环境图像，获得目标候选区域；

步骤(2)、采用机器翻译的对齐算法，解析出环境中被语言指令确定的物体即目标物体；所述的对齐算法通过多注意力机制模型完成，多注意力机制模型包括词-物体注意力、指令-物体注意力和物体-物体注意力机制；

步骤(3)、训练多注意力机制模型，识别目标物体在环境中的位置和物体放置点参考特征；

步骤(4)、通过多注意力机制预测参照物位置，并结合语言指令特征，使用蒙特卡洛算法(MCMC)预测目标物体将要被放置的位置，并输出坐标；

步骤(5)、构建可编程逻辑控制器约束的数据库(PLC约束库)和CoBlox模块化编程；

步骤(6)、解析语言指令，使解析结果与PLC约束库和模块化的编程代码相匹配，结合步骤(4)输出的坐标生成最终的机器人辅助代码。

2.根据权利要求1所述的一种基于自然语言的工业机器人辅助编程方法，其特征在于，步骤(1)、对输入的语言指令和环境图像进行预处理；所述的预处理包括使用带有LSTM的Bi-RNN提取语言指令的语言特征和使用F-RCNN预处理环境图像，从而获得目标候选区域特征；具体步骤如下：

1.1指令编码：将i个单词组成的指令Ii＝{x1，x2，x3，…，xi}输入RNN网络；通过带有LSTM的Bi-RNN对语言指令进行编码，递归生成隐藏状态序列Ii，然后通过学习函数ψx(xi)将指令映射到固定维度；

Ii＝Bi_LSTM(ψx(xi)，Ii-1)             (1)表示指令均值，Ii是指令 的词嵌入表示；

1.2环境编码：使用F-RCNN对环境图像进行预处理，得到全连接层获取图像候选区域特征：；是每个物体的空间和性状的特征表示，WB和a分别是物体的权重和偏差值参数；

通过一个全连接层和一个一维卷积层分别将V和I映射到相同维度：V＝relu(CONV1d(Vm))               (4)I＝relu(LINEAR(Ii))               (5)。

3.根据权利要求2所述的一种基于自然语言的工业机器人辅助编程方法，其特征在于，步骤(2)、识别语言指令指定的物体；采用对齐匹配算法解决语言和物体匹配问题，另外使用多注意力机制提高机器视觉精度；具体过程如下：提出一个新的多注意力机制处理过程：由Word-Object，Object-Instruction和Object-Object三个注意力联合；使用多注意力机制衡量语言指令与每个环境中物体的匹配概率，即预测环境中每个物体的可能性；通过注意力模块 匹配物体和语言指令，然后使用Softmax函数归一化获得条件分布P，由 指令确定的目标物体分布概率；

是源目标物体的离散表示；

预测源目标物体的损失函数是条件分布概率 和物体在环境中的真实位置G(E)的交叉熵，本发明使用Adam优化器对损失函数进行调优；

多步注意力机制流程如下：

2.1Object-Object：首先将步骤(1)F-RCNN抽取的图像候选区域特征计算差值，生成O-O关系注意力机制矩阵：AWp＝Wf×p(Vi-Vj)                (8)(Vi-Vj)是m×m的矩阵，表示第i个目标物体与第j个物体图像特征表示的差异；Wf是训练的注意力矩阵，表示执行n次后的关系注意力矩阵；

2.2 Word-Object：

使用对齐算法计算语言指令中每个单词xi每个时态的隐藏单元输出ht，从而表示xi与环境中每个物体m的匹配分数score：全局向量 是目标物体bm的权重之和：

2.3Object-instruction：将所有目标物体与O-O关系注意力矩阵AWp相乘，在全局自然语言向量 的引导下，计算全局向量和目标物体的嵌入特征矩阵；

4.根据权利要求3所述的一种基于自然语言的工业机器人辅助编程方法，其特征在于，步骤(3)：训练多注意力机制模型，将结果归一化得到目标物体的概率分布，确定目标物体的位置(Source)。

5.根据权利要求4所述的一种基于自然语言的工业机器人辅助编程方法，其特征在于，步骤(4)、再次使用多注意力机制模型，预测参照物位置并结合语言指令特征；通过蒙特卡洛算法(MCMC)预测目标物体将要被放置的位置，输出坐标；

将预测过程分解为两个子过程：参照物识别(Reference)和偏移(Offset)，具体过程如下：

4.1 Reference(R)：预测参照物位置的方法与步骤(3)预测目标物体位置相同，所以使用步骤(3)中相同的方法计算参照物位置的概率：bm为环境中m个对象， 为当前环境下的注意力矩阵

4.2 Offset(O)：根据语言指令特征对偏移量O(真实目标位置和预测位置的差值)进行建模，假定语言指令特征服从高斯分布，采用固定协方差的多维高斯分布拟合指令，从而预测偏移量O；

P(O＝o|I)∝N(μo，∑o)            (13)μo＝W1σ(W2hfc6+b1)+b2             (14)hfc6是F-RCNN的倒数第二个全连接层，μo是由全连接层和指令特征生成的高斯分布的中心(物体坐标(x，y，z))；b1，b2是偏置参数，W1，W2分别是指令和物体的权重矩阵；

4.3预测目标位置：将目标位置定义为T＝Offset+Reference，采用蒙特卡洛采样(MCMC)法确定物体放置点的坐标；

对reference和offset进行分布采样，用一组 的序列友示采样样本集合，tn是由 预测的位置；

LMCMC＝IE||tGT-tn||                   (17)将tGT--tn真实位置与预测位置的距离作为负奖励，采用Reinforce Learning思想，通过蒙特卡罗方法拟合N个随机变量 的采样序列样本；具体方法如下：

6.根据权利要求5所述的一种基于自然语言的工业机器人辅助编程方法，其特征在于，步骤(5)、构建可编程控制器约束的数据库(PLC约束库)和CoBlox模块化编程；

5.1 PLC约束库：实际生产环境中，机器人任务会受到PLC信号的约束；根据实际情况选择合适的PLC约束作为PLC约束库；

5.2 CoBlox模块化编程：采用CoBlox模块化编程的方式封装带有默认参数的函数体。

7.根据权利要求6所述的一种基于自然语言的工业机器人辅助编程方法，其特征在于，步骤(6)、采用StanfordNLP工具解析语言指令，在PLC约束库中匹配分词与PLC信号，随后采用BM25算法组合匹配CoBlox模块化编程，自动生成机器人程序框架；最后结合步骤(4)预测的目标位置坐标即放置点坐标，填充到机器人程序中，生成完整的机器人代码。