4.5 硬编码 3D 自主下棋（传统基线）

本节目标

机械臂自主走子（无人遥操、无 VLA），用硬编码的传统方法（PnP 位姿估计 / 手眼标定 → 脚本化 pick-place，具体方法待定）。Anima 跑完整编排：识局 → 引擎决策 → 下发坐标 → 机械臂硬性抓放 → 失败检测 → 令机械臂重抓（重抓仍是硬编码）。像夹娃娃机：刚性、无鲁棒性，但整条自主链路打通。

产出物

• 能自主下完整局的“传统基线”机器人（无人在环）。
• 硬编码版 run_pick_place()（接口签名与其余步一致，将来一行换 VLA）。
• 可靠性量化框架 + 传统基线数字：单步 p、重试后 1-(1-p)^k、失败检测准确率。

用到的技术栈与学习算法

• Anima 编排（识局/决策/重抓触发）。
• python-chess + Stockfish。
• 全局相机 + PnP/手眼标定（传统，待定） → 3D 目标坐标。
• 脚本化轨迹（笛卡尔/关节，硬编码）。
• 失败检测器 + 重试状态机。

验收标准

• 自主下完整局。
• Anima 能检测失败并触发硬编码重抓。
• 记录传统基线单步 p 与重试后整步可靠性、失败检测准确率。

⚠️ 真机与安全

⚠️ 本节涉及真机：所有上电/运动命令由 Jeff 亲手运行，agent 只准备命令/查状态/读日志。

定位说明：这是“故意的传统基线”

本节用 PnP/标定/脚本轨迹是有意为之的脚手架/基线，将被 4.7 的 VLA 超越。它的价值：①早出一个完全自主的下棋机器人，把“编排对不对”与“策略鲁不鲁棒”解耦；②给 VLA 一个可量化的对照（传统单步 X% vs VLA 单步 Y%，重试后都逼近 98%，但 VLA 更省重试/更泛化）。不违背项目“以 VLA 为主、传统是被超越的基线”的定位。

失败检测 · 重试（本节重点）

“夹娃娃也能下完棋”的关键不在单次抓得准，而在检测到抓空/放偏 → 自主重抓。重试须是带反馈的独立尝试（重新感知 + 重定坐标），而非重放同一轨迹（否则失败相关，整步可靠性不达预期）。

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。