摘要
在柔性制造中，机器人的分拣和填充任务要求机器人能够复现指定的箱内排列方式，同时适应容器姿态的变化、物体的可用性、感知条件以及外部干预。本文提出了一种以箱子为中心的一次性教学框架，用于具有相对姿态约束的机器人包装任务。在教学阶段，操作员只需演示一次所需的包装布局。系统利用基于SAM的轮廓细化技术（参考提示），提取箱子及箱内物体的轮廓、物体类别、数量以及相对位置和方向约束。这些约束随后从像素平面测量值转换为箱子局部的姿态约束，形成一个可重用的以箱子为中心的包装模板，该模板保留了平移和角度布局信息。在执行过程中，记录的模板被应用到具有不同全局姿态的箱子实例上，并通过任务级别的感知到命令的流程生成可执行的拾放指令。此外，还引入了一种持续分配和状态更新的机制，以维护剩余的目标位置、更新物体到位置的分配，并在执行轮次中报告缺失或多余的物体。单箱子模板转移实验表明，两个记录的模板的平均放置误差分别为7.16毫米和7.57毫米；代表性的执行后图像进一步显示，物体的相对姿态与教学模板中的轮廓保持一致。多箱子实验表明，未完成的剩余位置可以在场景更新后得到保留和完成，而无需重新教学。使用不同类型的容器和物体形状进行的额外验证表明，该框架的适用性不仅限于立方体情况。在九种不同环境下的消融测试显示，与之前的识别方法相比，SAM细化技术提高了模板获取的鲁棒性。这些结果验证了所提出的框架能够实现一次性模板获取、以箱子为中心的布局转移、相对姿态的保持以及受限机器人包装任务的持续执行。
