3、手眼标定的两种经典模式：眼在手上（Eye-in-Hand）与眼在手外（Eye-to-Hand）的适用场景与区别
在机器人视觉引导、装配、分拣、打磨等应用中，相机与机器人本体的空间关系决定了标定算法的数学模型与误差传递路径。工程上通常将这种关系划分为两种经典模式：眼在手上（Eye-in-Hand，简称EIH）与眼在手外（Eye-to-Hand，简称ETH）。两种模式在相机安装位置、标定方程、标定板放置方式、精度特性以及适用场景上存在本质差异。本章将从核心原理、判断方法、案例拆解和常见误区四个维度展开，帮助工程师在项目初期做出正确选型，并为后续外参误差补偿奠定基础。
上图直观展示了两种模式的硬件布局差异。在EIH模式中，相机安装在机器人末端法兰盘上，随机械臂一起运动，标定板固定在工作空间内；在ETH模式中，相机固定安装在机器人外部（如支架、天花板或工作台侧面），标定板则安装在机器人末端。这一物理安装差异直接决定了标定方程中未知量的求解方式，也影响了系统在动态作业中的精度表现。
3.1 核心原理：从安装方式到标定方程
眼在手上（EIH）的标定目标是求解相机坐标系与末端工具坐标系之间的固定变换关系 X = T_cam2tool。由于相机随末端运动，标定板固定在世界中，因此对于任意两个机器人位姿 P1 和 P2，相机观测到标定板的外参变化 A 与机器人末端运动 B 满足经典方程 AX = XB。这里 A 是两次观测之间相机坐标系的相对运动，B 是两次末端位姿之间的相对运动。求解该方程即可得到手眼矩阵 X。
眼在手外（ETH）的标定目标是求解相机坐标系与机器人基座坐标系之间的固定变换 Y = T_cam2base。此时相机固定不动，标定板安装在末端，机器人运动时标定板随之移动。同样利用多组位姿观测，建立 AX = XB 形式的方程，但这里的 A 和 B 含义不同：A 是相机观测标定板的外参变化，B 是机器人末端运动，而求解出的 X 实际上是标定板坐标系与末端坐标系之间的变换，再结合机器人正运动学推导出 Y。两种模式在数学上同构，但物理意义和误差传递路径完全不同。
| 对比维度 | 眼在手上（EIH） | 眼在手外（ETH） |
|---|---|---|
| 相机安装位置 | 末端法兰盘，随机械臂运动 | 外部固定支架，不随机械臂运动 |
| 标定板位置 | 固定在工作空间内 | 安装在机器人末端 |
| 标定目标 | 相机与末端的变换 T_cam2tool | 相机与基座的变换 T_cam2base |
| 核心方程 | AX = XB（A为相机运动，B为末端运动） | AX = XB（A为标定板运动，B为末端运动） |
| 误差敏感点 | 末端定位误差、相机安装松动 | 基座标定误差、相机畸变、大视野边缘 |
| 典型应用 | 抓取、装配、焊缝跟踪、移动操作 | 固定工位检测、上下料、码垛、视觉测量 |
3.2 判断方法：如何根据工况选择合适模式
在实际项目选型中，不能仅凭个人偏好决定，而应基于以下四个关键因素进行系统评估：
- 工作空间与视野需求：如果机器人需要在大范围内移动，且目标物体可能出现在多个方位，EIH模式更合适，因为相机随动可以始终对准目标；如果作业区域相对固定，且需要大视野覆盖整个工位，ETH模式更优。
- 遮挡与可达性：EIH模式下相机安装在末端，容易受到机械臂自身关节的遮挡，尤其在接近目标时；ETH模式则不存在此问题，但可能被机器人本体或周边设备遮挡。
- 精度要求与误差来源：EIH模式中，相机与末端之间的变换是固定的，标定精度主要受末端重复定位精度影响；ETH模式中，相机与基座的变换固定，但标定板在末端运动时，末端姿态误差会直接耦合到观测中，因此对机器人定位精度要求更高。
- 维护与标定频率：EIH模式相机随动，线缆需要随动拖链，容易磨损导致相机位置微变，需要定期重新标定；ETH模式相机固定，标定后稳定性更好，适合长期运行。
3.3 案例拆解：3C装配线中的模式选型与标定实战
某3C电子厂需要为一条手机中框装配线设计视觉引导系统，要求机器人从传送带上抓取中框，并放置到治具上进行精密装配。初始方案中，工程师选择了ETH模式，将相机固定安装在传送带正上方，视野覆盖整个来料区域。但在实际调试中发现以下问题：
- 传送带宽度较大（约800mm），相机视野边缘畸变明显，导致中框定位误差超过±0.5mm，无法满足装配要求（±0.15mm）。
- 机器人抓取时，机械臂大臂会遮挡相机视线，导致部分来料位置无法识别。
- 由于相机固定，当传送带速度波动时，中框在视野中的位置变化较大，需要频繁调整拍照触发时机。
经过分析，团队决定改用EIH模式：将相机安装在机器人末端，标定板固定在工作台侧面。具体实施步骤如下：
- 硬件改造：在末端法兰盘上加装相机支架，确保相机光轴与末端Z轴平行，并固定线缆拖链。
- 标定数据采集：控制机器人运动到15个不同位姿，每个位姿下相机拍摄固定标定板，同时记录机器人末端位姿（从控制器读取）。
- 求解手眼矩阵：使用Tsai-Lenz算法求解
AX = XB，得到T_cam2tool。重投影误差控制在0.08像素以内。 - 验证与补偿：在机器人运动到抓取位时，利用手眼矩阵将相机坐标系下的中框坐标转换到机器人基座坐标系，并与实际抓取位置对比，误差为±0.2mm。进一步引入误差补偿模型（基于末端负载挠度补偿），将误差压缩至±0.12mm。
最终方案成功满足装配精度要求，且由于相机随动，不再存在遮挡问题。该案例表明，在需要“移动抓取+高精度”的场景下，EIH模式具有明显优势，但代价是需要更频繁的标定维护。
3.4 常见误区与总结复盘
误区一：认为ETH模式精度一定高于EIH。实际上，ETH模式虽然相机固定，但标定板随末端运动，末端定位误差会直接反映在观测中；而EIH模式中，相机与末端的相对关系固定，只要末端重复定位精度高，整体精度反而更稳定。
误区二：忽略标定板尺寸与视野匹配。EIH模式中标定板固定，相机随动，标定板应尽量充满视野；ETH模式中标定板随末端运动，应确保标定板在机器人运动范围内始终处于相机视野内，且不能超出景深范围。
误区三：标定后不进行验证。很多工程师标定完成后直接投入使用，未做独立验证。正确做法是：标定后控制机器人运动到几个已知位置，利用视觉测量值与机器人实际位姿对比，计算重投影误差和空间距离误差，确保在允许范围内。
总结复盘：选择EIH还是ETH，本质上是选择“相机适应工作空间”还是“工作空间适应相机”。EIH适合目标位置不固定、需要主动搜索或跟踪的场景；ETH适合视野固定、节拍快、对定位精度要求高的场景。在工程实践中，建议先绘制工作空间布局图，标注机器人可达范围、相机视野范围、目标物体可能出现区域，再结合精度需求和维护成本做出决策。无论选择哪种模式，标定后的验证环节不可省略，且应建立标定数据档案，为后续误差补偿提供基准。