本研究提出了OPA-Pack框架，以解决机器人装箱中物体属性未被考虑的问题。通过新型识别方案和OPA-Net模型，显著提高了不兼容物体分离的准确率至95%，并减少了脆弱物体的压力29.4%，同时保持了良好的装箱紧凑性。

本文探讨了一种新方法，利用图像集合和大型语言模型预测物体的物理属性，无需注释，适用于开放世界中的对象。实验表明该方法在质量、摩擦和硬度等属性推理任务中有效。此外，研究还涉及机器人操控和物体测量，提出自监督标记和主动感知策略，以提高物理参数估计的准确性。