4.3 真实棋盘感知与纠错闭环

失败检测（一等公民 · 重点）

🚨 失败检测是整个项目的一等公民：落子是否到位、是否抓空、是否碰倒邻子。它的漏检率是整步可靠性的隐藏天花板（漏检 = 该重试却没重试）。从本节起就把它当独立模块迭代，并单独量化准确率。

本节目标

让 Anima看到真实棋盘并识别其状态（→FEN）；能看到人走的子，也能给出自己该走哪一步的指令。此阶段自己走子需要人帮忙，但 Anima 能判断帮忙走子是否成功；若走错，能给人一个正确的指示（纠错闭环）。

产出物

• 真棋盘 → FEN 识别。
• 对手走子检测。
• 己方走子指令输出。
• 失败检测 + 纠错：走错 → 给出正确指示。
• run_pick_place() 实现 = 「打印指令给人 + 等人完成 + 验证」（接口签名与 4.4/4.5/4.7 一致）。

用到的技术栈与学习算法

框架定位（承 4.1）：理解棋盘是「脑」Anima 的活；下面这些 CV / VLM 不是独立的「眼」，而是脑直接看不懂时调用的检测 tools。相机只是采集像素的眼。

• 眼 = 全局相机（RGB）：只采像素，喂给脑。
• 脑理解棋盘 → FEN：优先由 Anima（可含 VLM 能力）直接读图给出局面；把不住的细节再调 tool（CV 格子检测 + 棋子分类，或专用 VLM 出 FEN）补足。
• 失败检测器（tool · 一等公民）：学习式分类器 / VLM 判定，由脑调用来判断「到位 / 抓空 / 碰倒」。
• python-chess（tool）：持有棋局真值，比对合法走法集认出对手着法。
• 编排状态机：纯 Python，无 ROS——即脑「思考 → 调工具 → 指挥手」的循环载体。

验收标准

• 真棋盘 FEN 识别稳定。
• 能正确检测对手走子。
• 失败检测能判对/错并给出纠正指示。
• 闭环用“人当手”跑通整局。

⚠️ 真机与安全

仍不涉及机械臂；相机为外设。

知识点（开发中记录）

📝 开发时在此记录本节涉及的原理、算法、概念。

操作过程（开发中记录）

🛠️ 开发时在此记录命令、步骤、配置与复现流程。

难点与坑（开发中记录）

⚠️ 开发时在此记录踩坑、失败现象、调参与解决方案。