2、视觉系统标定：相机内参标定、手眼标定原理、标定板使用、标定结果验证方法

视觉系统标定，说白了就是给机器人的眼睛配一副准确的“眼镜”。

我见过太多项目，机械臂抓不准，最后排查下来，80%的问题都出在标定上。不是相机没标好，就是手眼关系没算对。嗯，这一章咱们就把这块硬骨头啃下来。

2.1 相机内参标定——给相机做“视力检查”

相机内参，就是描述相机本身光学特性的参数。包括焦距、主点坐标、畸变系数这些。

为什么要标定内参？因为镜头不是完美的。你想想看，一个理想的小孔成像模型，现实中根本不存在。镜头有畸变，像素有偏移，这些都需要通过内参来修正。

内参标定的核心步骤：

1. 准备标定板——棋盘格或圆点阵，尺寸要精确测量
2. 采集多角度图像——至少15-20张，覆盖视野各个区域
3. 提取角点——算法自动找棋盘格角点
4. 计算内参——用张正友标定法求解
5. 验证重投影误差——误差小于0.5像素才算合格

内参标定的数学本质，其实就是求解一个3x3的矩阵：

内参矩阵 K = [fx  0  cx]
              [0  fy  cy]
              [0   0   1]

其中：
fx, fy —— 焦距（像素单位）
cx, cy —— 主点坐标（图像中心偏移）

实际项目中，我习惯用OpenCV的cv2.calibrateCamera()函数。代码很简单，但要注意输入的世界坐标点要精确到毫米级。

2.2 手眼标定原理——让眼睛和手“认识”彼此

内参标定解决的是“相机怎么看世界”，手眼标定解决的是“相机看到的和机器人手的位置有什么关系”。

手眼标定分两种场景：

• 眼在手上（Eye-in-Hand）：相机装在机械臂末端，跟着手走
• 眼在手外（Eye-to-Hand）：相机固定安装，看机械臂干活

我做过的大部分项目都是眼在手上。为什么呢？因为灵活。相机跟着末端走，可以近距离观察目标，精度更高。

手眼标定的核心公式：

AX = XB

其中：
A —— 机器人末端的两次位姿变换关系
B —— 相机看到的标定板两次位姿变换关系
X —— 我们要求解的相机到机器人末端的变换矩阵

这个公式看着简单，但求解起来挺讲究。我建议用Tsai两步法或者基于四元数的方法，稳定性更好。

2.3 标定板使用——别小看这块板子

标定板，说白了就是一块印着已知图案的平板。常见的有棋盘格和圆点阵两种。

类型	优点	缺点	适用场景
棋盘格	角点提取简单、精度高	对光照敏感、边缘易模糊	室内、光照可控
圆点阵	抗噪能力强、适合大角度	圆心提取稍复杂	光照变化大、大倾角

使用标定板的几个要点：

• 板子要平整，不要弯曲。我见过有人用打印纸贴在不平的纸板上，标定出来误差大得离谱
• 尺寸要精确测量，误差控制在0.1mm以内
• 表面不要反光，亚光材质最好
• 定期检查板子有没有磨损或污渍

2.4 标定结果验证方法——别急着用，先验一验

标定完就急着上项目？我劝你慢一点。验证这一步，能帮你省下后面几天的排查时间。

验证方法分三步：

1. 重投影误差检查
   • 把标定板上的3D点投影到图像上
   • 计算投影点和实际提取点的像素距离
   • 平均误差应小于0.5像素，最大误差不超过1像素
2. 重复性测试
   • 固定标定板位置，重复标定10次
   • 看内参和手眼矩阵的波动范围
   • 波动超过5%就要怀疑标定质量
3. 实际抓取验证
   • 放一个已知位置的目标物体
   • 用视觉引导机械臂去抓
   • 测量实际抓取点和理论点的偏差
   • 偏差在1-2mm内算合格

2.5 本章知识体系

下面这张图，是我自己总结的视觉标定知识框架。你看一眼，心里就有谱了。

这张图把整个视觉标定的脉络理清楚了。你从内参开始，一步步走到验证，每一步都踩实了，机械臂抓取的成功率自然就上去了。