📚 课程目录第4章手眼标定数学原理

4. 手眼标定数学原理

手眼标定的核心是求解机器人末端执行器与相机之间的固定空间变换关系，即手眼矩阵 X。该问题在数学上被抽象为经典的 AX = XB 方程，其求解精度直接决定了标定结果的可靠性。本节将深入推导该方程的数学基础，阐述旋转与平移分离求解的经典策略，并介绍非线性优化在提升标定精度中的关键作用。

考虑机器人基座坐标系 B、末端执行器坐标系 E、相机坐标系 C 以及标定板坐标系 P。手眼标定旨在求解从相机到末端执行器的变换矩阵 X（即 ^ET_C）。

当机器人移动至两个不同位姿时，可建立如下闭环约束：

由于标定板固定在机器人工作空间中，其相对于基座的变换 ^BT_P 是恒定的。因此，从基座到标定板存在两条等效路径：

路径一：基座 → 末端 → 相机 → 标定板
路径二：基座 → 末端 → 相机 → 标定板（另一组位姿）

对于位姿 1 和位姿 2，分别有：

由于两式相等，可得：

A1 · X · B1 = A2 · X · B2

整理后，得到经典的手眼标定方程：

(A2⁻¹ · A1) · X = X · (B2 · B1⁻¹)

令 A = A₂⁻¹ · A₁，B = B₂ · B₁⁻¹，则方程简化为：

A · X = X · B

其中，A 表示机器人末端在两个位姿之间的相对运动，B 表示相机在两个位姿之间的相对运动，X 即为待求的手眼矩阵。

直接求解 4×4 齐次变换矩阵 X 中的 6 个自由度（3 旋转 + 3 平移）是一个非线性问题。经典的求解策略是将旋转与平移分离，先求解旋转分量，再代入求解平移分量，从而将问题线性化。

将变换矩阵展开为旋转矩阵 R 和平移向量 t 的形式：

X = [ R_x  t_x ]
    [ 0    1   ]

A = [ R_a  t_a ]
    [ 0    1   ]

B = [ R_b  t_b ]
    [ 0    1   ]

代入方程 A·X = X·B，展开后得到两个独立方程：

分量	方程	说明
旋转分量	`R_a · R_x = R_x · R_b`	仅与旋转矩阵有关，与平移无关
平移分量	`(R_a - I) · t_x = R_x · t_b - t_a`	在已知 R_x 后，为线性方程

旋转方程 R_a · R_x = R_x · R_b 的求解是手眼标定的核心。常用的方法包括：

在求得旋转矩阵 R_x 后，平移向量 t_x 可通过求解线性方程组获得：

(R_a - I) · t_x = R_x · t_b - t_a

对于多组位姿数据，可构建超定线性方程组：

[ (R_a1 - I) ]         [ R_x · t_b1 - t_a1 ]
[ (R_a2 - I) ] · t_x = [ R_x · t_b2 - t_a2 ]
[   ...      ]         [        ...        ]

使用最小二乘法（如 SVD 分解）求解 t_x，即可得到完整的手眼矩阵 X。

旋转与平移分离求解虽然计算高效，但存在以下固有缺陷：

为克服上述问题，现代手眼标定算法通常引入非线性优化作为精化步骤。其核心思想是将手眼矩阵 X 的所有参数（旋转和平移）作为优化变量，以重投影误差或位姿残差作为代价函数，使用迭代优化算法（如 Levenberg-Marquardt、高斯-牛顿法）进行全局优化。

优化目标函数示例：

minimize  Σᵢ || (Aᵢ · X · Bᵢ) ⊖ I ||²

其中 ⊖ 表示李群上的减法（即计算变换矩阵与单位矩阵之间的李代数残差），通过最小化所有位姿下的闭环残差平方和，同时优化旋转与平移参数。

非线性优化的优势在于：

注意事项：非线性优化对初值敏感，建议先使用分离求解方法（如 Tsai 或 Park 法）获得初始解，再以此为起点进行非线性精化。同时，优化过程中应使用李代数参数化（如 so(3) + R³）以避免旋转矩阵的正交性约束。