项目背景
3D 机器视觉象棋对弈机器人不是单纯的图像识别项目。系统要完成棋子识别、棋盘坐标映射、博弈决策和机械臂落子控制，最终形成从视觉输入到物理动作的闭环。
这个项目的难点在于算法结果必须落到真实世界。YOLOv5 可以输出棋子类别和图像坐标，但机械臂需要的是可执行的空间位置。中间只要有一步映射不稳定，最终落子就会偏移。
核心问题
核心问题是误差会沿着链路传递。识别框位置、棋盘网格映射、机械臂运动控制和棋子实际摆放都会引入误差。单独看每一环可能误差不大，但合到一起后，落子偏差会变成肉眼可见的问题。
另一个问题是闭环验证。只证明模型能识别棋子不够，还要证明识别结果能驱动决策，决策结果能转成坐标，坐标又能被机械臂稳定执行。
我的方案
我把系统拆成四个节点：视觉识别、坐标映射、博弈决策和机械臂执行。视觉部分使用 YOLOv5 做棋子检测；坐标部分通过九点坐标校准建立图像坐标到棋盘坐标的映射；决策部分接入 Alpha-Beta 剪枝；执行部分用 PWM 控制机械臂动作。
为了降低落子误差，我在坐标映射后增加曲线拟合误差补偿。这样不是直接相信识别框中心点，而是把棋盘标定、机械臂实际动作和误差修正放在同一条验证链路里。
调试与验证
调试时我没有只看模型推理结果，而是逐段验证闭环。第一步确认棋子类别和位置是否稳定；第二步确认九点校准后的棋盘坐标是否一致；第三步确认决策输出是否能转成目标落点；最后观察机械臂是否能重复到达同一位置。
定位偏差时，需要区分是识别误差、映射误差还是执行误差。如果识别框稳定但落点偏移，问题更可能出在映射或机械臂补偿；如果识别本身波动，后续控制再精确也无法稳定。
最终结果
通过九点坐标校准和曲线拟合误差补偿，系统实现 ±0.5mm 重复定位精度，推理响应时延控制在 300ms 内。项目获国家级大学生创新训练计划立项，并取得国家发明专利。
这个结果证明项目不只是完成模型调用，而是把视觉算法、博弈逻辑和机械执行串成可落地的工程闭环。
复盘思考
视觉项目真正落地时，模型只是链路的一部分。对机器人项目来说，关键是把“识别到了”变成“能稳定执行”。这要求每个中间结果都能被验证，而不是把全部问题都归因于模型精度。
后续做类似项目，我会继续把系统拆成可单独观测的节点：输入是否稳定，映射是否可复现，控制是否有补偿，最终动作是否达到预期。这样的拆法能让复杂系统的调试更可控。