1. 课程导入与场景认知

在开始学习KUKA机器人视觉抓取之前，先建立一幅完整的系统图景，比急着写代码或调参数更重要。视觉抓取并不是“相机看到物体、机器人去拿”这么简单，它是一条从光信号到机械动作的完整链路：相机把三维世界投影成二维图像，视觉算法从像素中估计出目标的位置与姿态，标定把“相机坐标”翻译成“机器人坐标”，机器人再根据这个坐标规划并执行抓取。任何一环出错，最终都会表现为“抓不准”或“抓不到”。本课程的目标，就是让你能独立搭建并调通这条链路。

一、KUKA机器人视觉抓取系统的典型组成

一套典型的KUKA视觉抓取工作站，可以按“感知—计算—执行—承载”四个层面来理解。感知层是相机与光源：常用的是工业面阵相机（如Basler ace系列）或3D相机（如结构光、ToF），配合环形光、条形光或背光，保证目标特征稳定。计算层是视觉处理单元，可以是工控机、KUKA控制器上的KUKA.VisionTech，或外接PC运行Halcon、OpenCV、VisionPro等库。执行层是KUKA机器人本体（如KR 6 R900、KR 10 R1100）与末端执行器（气动夹爪、真空吸盘、电磁吸盘等）。承载层则是工件、料框、传送带与工作台，它们决定了抓取的空间约束。

这些部件之间不是简单堆叠，而是通过接口和坐标系耦合在一起。相机通过GigE或USB把图像传给计算单元；计算单元通过EthernetKRL、RSI或KUKA.RobotSensorInterface把抓取位姿发给机器人；机器人通过现场总线（Profinet、EtherCAT）控制夹爪开合。理解这些接口，是后续调试时定位问题的关键。

二、标定在抓取任务中的位置

很多初学者会把标定当成“一次性准备工作”，实际上它是贯穿整个抓取任务的核心环节。抓取任务可以拆成五步：目标检测、位姿估计、坐标变换、路径规划、执行抓取。标定直接决定第三步的准确性，同时反向约束第一步和第二步——如果相机内参不准，畸变校正就会残留误差；如果手眼关系不准，即使视觉算法把目标中心定位到亚像素级，机器人仍会偏几毫米甚至几厘米。

以Eye-to-Hand（相机固定在支架上）为例，标定要解决的是：相机看到的物体在图像中的位置，如何换算成机器人基坐标系下的位置。这需要两个变换：相机内参矩阵把像素坐标映射到相机坐标系下的归一化坐标；手眼矩阵把相机坐标系下的点变换到机器人基坐标系。两者串联，才能得到机器人能用的抓取点。Eye-in-Hand（相机装在法兰上）则多了一层工具坐标系的动态变化，标定过程更复杂，但对大范围抓取更灵活。

三、课程目标与学习路径

本课程围绕“能搭、能标、能抓、能调”四个能力目标展开。学完后，你应当能够：根据工件与节拍要求选配合适的相机、镜头与光源；独立完成相机内参标定和手眼标定；用KUKA机器人语言或上位机接口实现视觉引导抓取；在抓取偏差出现时，按“视觉—标定—通信—执行”的顺序定位问题。

学习路径按“认知—标定—抓取—优化”推进。前几章建立系统认知与坐标系概念；中间章节集中讲解相机模型、标定板使用、手眼标定算法与KUKA端配置；后续章节进入抓取编程、通信接口与异常处理；最后以综合案例串联全流程。每章都会给出可操作的示例参数与判断依据，但示例数据仅用于教学演示，实际项目需以现场测量和标定结果为准。

四、一个最小可运行场景示例

为了让你对后续内容有具体预期，这里给出一个教学用最小场景。假设工作台上放置一个30 mm×30 mm的方形工件，相机固定在工件正上方约500 mm处，机器人使用KR 6 R900，夹爪TCP已标定。视觉流程为：采集图像→灰度化→阈值分割→轮廓提取→计算最小外接矩形中心与角度→输出像素坐标(u, v)和角度θ。标定流程为：用9×12棋盘格标定板完成内参标定，再用至少3个不同姿态的标定点求解手眼矩阵。抓取流程为：把(u, v, θ)经标定矩阵转换为机器人基坐标系下的(x, y, θ)，机器人以该点为抓取中心，沿Z轴下降至工件表面上方5 mm处闭合夹爪。

这个场景中，最值得观察的中间量是：标定板角点重投影误差（一般应小于0.3像素）、手眼标定后的验证点偏差、以及抓取时TCP实际到达位置与目标位置的差值。这三个量分别对应相机标定质量、手眼关系质量和执行精度，是后续调试时最常用的判断依据。