1. 课程导论
在现代智能制造与自动化生产中，工业机器人早已不再是单纯执行固定轨迹的“机械臂”，而是需要具备感知、决策与自适应能力的智能装备。当机器人需要从传送带上抓取随机摆放的工件、对车身进行高精度涂胶、或使用视觉引导完成精密装配时，一个核心问题便浮现出来：机器人如何“知道”自己看到的物体在什么位置？ 这并非简单的摄像头成像问题，而是涉及机器人自身坐标系、相机坐标系、工件坐标系之间复杂的空间变换关系。手眼标定，正是解决这一问题的关键技术与前置条件。本章作为整个课程的开篇，将系统阐述手眼标定的定义、工程价值、典型应用场景，并为学习者规划一条从理论到实践的高效学习路径。
上图清晰地展示了手眼标定在机器人视觉引导系统中的核心位置。我们可以将整个系统看作一个坐标变换链：机器人基座（B）通过正运动学已知末端（E）的位姿，相机（C）通过视觉算法测得工件（O）在相机坐标系下的位姿。而手眼标定要解决的，正是连接“机器人内部感知”与“外部视觉感知”的那座桥梁——即相机与机器人末端（或基座）之间的固定变换关系。下面，我们将从定义、价值、场景与学习路径四个维度展开深入探讨。
1.1 手眼标定的定义与核心原理
手眼标定（Hand-Eye Calibration），本质上是一个求解空间刚体变换矩阵的过程。它通过数学方法，确定相机坐标系与机器人坐标系之间的相对位姿关系（旋转矩阵 R 和平移向量 t）。根据相机安装方式的不同，手眼标定分为两种经典模式：
- Eye-in-Hand（眼在手上）：相机安装在机器人末端法兰盘上，随机械臂一起运动。此时需要标定的是相机坐标系（C）相对于末端坐标系（E）的固定变换 T_EC。这种模式视野灵活，但标定精度受机器人定位精度影响较大。
- Eye-to-Hand（眼在手外）：相机固定安装在机器人工作空间外的支架上。此时需要标定的是相机坐标系（C）相对于机器人基座坐标系（B）的固定变换 T_CB。这种模式视野固定，适合大范围、高稳定性的应用场景。
无论是哪种模式，其数学本质都是求解经典的 AX = XB 矩阵方程。其中，A 矩阵代表机器人末端（或基座）在两次运动之间的位姿变化，B 矩阵代表相机在两次运动之间观测到的标定板位姿变化，而 X 正是我们要求解的手眼变换矩阵。通过控制机器人运动到多个不同位姿，采集多组数据，利用非线性优化算法（如 Tsai-Lenz 法、Park-Martin 法）即可求得最优解。
核心原理精要：手眼标定的本质是“借已知求未知”。我们已知机器人自身的运动学参数（通过编码器反馈），也已知相机对固定标定板的观测结果（通过视觉位姿估计），通过构建多组运动约束方程，即可解算出两个传感器坐标系之间的固定空间关系。这一关系一旦确定，机器人就能将视觉系统“看到”的物体坐标，精确转换到自己的运动空间中去执行抓取或加工。
1.2 手眼标定的工程重要性
在工业现场，手眼标定的精度直接决定了视觉引导系统的成败。一个未经标定或标定精度不足的系统，往往会出现以下典型问题：
| 问题现象 | 根本原因 | 后果 |
|---|---|---|
| 机器人抓取位置偏移 5-10mm | 平移向量 t 标定误差过大 | 工件掉落、碰撞夹具 |
| 在视野边缘抓取精度急剧下降 | 旋转矩阵 R 标定不准确 | 无法覆盖整个工作区域 |
| 更换相机或机器人后需重新调试 | 缺乏标准化标定流程 | 产线停机时间增加 |
| 视觉定位结果与机器人实际运动方向相反 | 坐标系方向定义错误 | 严重安全事故风险 |
从更宏观的角度看，手眼标定是打通“感知”与“执行”的关键枢纽。在智能制造强调柔性生产的今天，产线频繁换型，机器人需要快速适应新工件的定位需求。一个鲁棒性好、精度高的手眼标定流程，能够将视觉系统的像素级精度（通常为 0.1mm 以内）无损地传递到机器人末端执行器上，从而保证最终产品的质量一致性。此外，标定结果还可以用于机器人程序的离线仿真与虚拟调试，大幅缩短产线集成周期。
1.3 典型应用场景与实战案例拆解
手眼标定技术已广泛应用于汽车制造、3C 电子、物流分拣、医疗器械等众多领域。以下通过一个典型的 3C 行业案例，展示标定在真实产线中的完整闭环。
案例背景：某手机代工厂的精密装配工位，需要机器人从振动盘中抓取微型连接器（尺寸约 5mm × 3mm），并插入到 PCB 板的对应插座中。来料位置随机，且连接器引脚间距仅 0.4mm，要求插入成功率 ≥ 99.5%。
初始目标与约束：采用 Eye-in-Hand 方案，相机安装于机器人第六轴法兰盘。现场空间狭小，相机视野仅 30mm × 20mm。机器人末端重复定位精度 ±0.02mm，但定位精度约 ±0.5mm。这意味着不能依赖机器人示教位置，必须依靠视觉引导。
关键数据与实施过程：
- 标定数据采集：控制机器人运动 15 个不同位姿（包含不同高度、不同旋转角度），在每个位姿下拍摄固定在工位上的高精度陶瓷标定板（格距 1mm，精度 ±0.001mm）。
- 算法求解：使用 OpenCV 的
calibrateHandEye()函数，输入机器人末端位姿矩阵与相机观测到的标定板位姿矩阵，采用 Tsai-Lenz 两步法求解。计算得到旋转矩阵 R 的误差为 0.02°，平移向量 t 的误差为 0.08mm。 - 补偿与验证：将标定结果写入视觉引导程序。在工位固定一个标准石英玻璃片，利用视觉系统测量其中心坐标，机器人移动至该点进行接触式探针验证。连续测试 30 次，最大位置偏差 0.12mm，满足 0.15mm 的工艺要求。
结果与复盘：产线投产后，插入成功率稳定在 99.7%。复盘发现，标定过程中机器人运动位姿的多样性（特别是绕相机光轴旋转的位姿）对标定精度提升贡献最大。此外，现场光源的稳定性也至关重要——光照波动会导致标定板角点提取亚像素精度下降，进而影响标定结果。
这个案例揭示了手眼标定在实际工程中的两个关键点：数据采集质量与验证闭环。很多工程师只关注算法本身，却忽略了数据采集时机器人位姿的分布合理性，导致标定结果在局部区域精度高、全局精度差。因此，本课程后续章节将专门讲解如何规划最优标定位姿。
1.4 常见误区与学习路径规划
对于初学者或刚接触视觉引导项目的工程师，在手眼标定方面常存在以下认知误区：
误区一：认为标定是一次性的，标定完成后就无需关注。实际上，机器人长期运行后机械磨损、相机镜头松动、温度变化都会导致标定参数漂移，建议定期（如每季度）或设备维修后重新标定。
误区二：盲目追求标定算法的复杂度，而忽视基础数据的准确性。如果相机内参标定不准、标定板平面度不够，再高级的手眼标定算法也无法弥补。
误区三：混淆了手眼标定与相机内参标定的概念。内参标定解决的是“像素坐标到相机坐标”的映射，而手眼标定解决的是“相机坐标到机器人坐标”的映射，两者缺一不可。
为了帮助学习者系统掌握这一技能，本课程规划了“理论奠基—方法精讲—实战演练—工程优化”四阶段学习路径。第一阶段（第 1-5 章）聚焦坐标系变换数学基础与机器人运动学；第二阶段（第 6-12 章）深入讲解 Eye-in-Hand 与 Eye-to-Hand 的经典标定算法及代码实现；第三阶段（第 13-20 章）结合 Halcon、OpenCV、ROS 等工具进行实操演练，并引入标定精度评估与误差分析；第四阶段（第 21-30 章）则面向复杂工业场景，探讨多相机系统标定、手眼标定与传送带跟踪的融合、以及基于深度学习的标定板自动识别等前沿话题。
学习建议：建议学习者在学习过程中，始终带着“如果我在现场，我会如何操作”的工程思维。每学完一种算法，尝试在仿真环境（如 Gazebo + MoveIt）中搭建虚拟机器人视觉系统进行验证。同时，务必重视标定实验中的日志记录——记录每次标定时的机器人位姿、图像质量、光源条件等元数据，这将为后续的精度问题排查提供宝贵依据。
总而言之，手眼标定是工业机器人视觉系统的“定海神针”。它不仅是数学公式的堆砌，更是连接算法与硬件的工程艺术。通过本课程的系统学习，你将能够独立完成从标定方案设计、数据采集、算法求解到精度验证的全流程工作，为成为一名优秀的机器人视觉工程师打下坚实基础。