4. 手眼标定原理：AX=XB问题、Tsai法与Park法
手眼标定，说白了就是让机器人知道它的“眼睛”（相机）和“手”（机械臂末端）之间到底是怎么个相对位置关系。你想想看，相机看到了一个螺丝孔，机械臂要去拧螺丝，如果不知道相机和末端之间的变换矩阵，那手臂伸过去肯定歪了。
我在项目里遇到过好几次这种情况：标定板摆得整整齐齐，算法跑得飞快，结果一实测，误差大得离谱。后来发现，问题就出在手眼关系的求解上。所以这一章，咱们把核心的数学原理掰开揉碎了讲清楚。
4.1 问题本质：AX = XB
先看一个最简单的场景。机械臂从位姿A1移动到A2，相机从位姿B1移动到B2。这两个运动之间有什么关系？
嗯，这里要注意：机械臂末端和相机是刚性连接的。所以它们之间的变换矩阵X是固定的。那么，机械臂的运动A（从A1到A2）和相机的运动B（从B1到B2），就满足一个关系：
A * X = X * B这就是经典的AX=XB问题。A和B是已知的（通过机械臂正运动学和相机外参标定得到），X是未知的，就是我们要找的手眼矩阵。
我个人习惯把这个问题拆成两步：先解旋转部分，再解平移部分。因为旋转矩阵是正交的，有约束条件，单独解更稳定。
核心要点：
- A：机械臂末端从位姿1到位姿2的变换矩阵
- B：相机从位姿1到位姿2的变换矩阵
- X：固定的手眼变换矩阵（待求）
- 方程：A·X = X·B
4.2 Tsai法：两步走，先旋转后平移
Tsai法是我最早接触的手眼标定算法，也是工程中最常用的方法之一。它的思路很直接：先把旋转矩阵Rx解出来，再代入求平移向量tx。
具体来说，把AX=XB展开成旋转和平移两部分：
R_A * R_x = R_x * R_B
(R_A - I) * t_x = R_x * t_B - t_A你看，第一个方程只和旋转有关。用多组数据（至少两组），就可以通过最小二乘或者SVD分解求出Rx。然后代入第二个方程，解线性方程组得到tx。
我曾经在一条汽车产线上用Tsai法做标定，采集了15组数据。结果发现，如果数据质量不好（比如机械臂运动幅度太小），旋转部分的解会非常不稳定。后来我加了一条规则：每次运动的旋转角度至少30度，平移距离至少100mm。效果立竿见影。
实用技巧：
- 采集数据时，让机械臂做大幅度的旋转和平移运动
- 至少采集8-10组数据，不要只用理论最小值
- 用RANSAC剔除异常值，避免单组坏数据毁掉全局解
4.3 Park法：一步到位，李群李代数视角
Park法比Tsai法更优雅一些。它从李群的角度看问题，把旋转矩阵映射到李代数so(3)上，然后用线性最小二乘直接求解。
为什么这样做？因为旋转矩阵在SO(3)流形上不是线性的，但它的李代数so(3)是向量空间。把问题映射到李代数上，就可以用标准的线性代数工具了。
Park法的核心步骤：
- 把每组A和B的旋转部分取对数，映射到so(3)向量
- 构造一个线性方程组，直接解出旋转向量
- 把旋转向量指数映射回旋转矩阵
- 用类似Tsai法的方式解平移部分
我记得第一次用Park法时，代码比Tsai法短了一半，而且收敛性更好。但要注意：当旋转角度接近180度时，对数映射会出现奇异性。所以实际应用中，我通常两种方法都跑一遍，对比结果。
避坑指南：
我曾经在标定一个六轴协作机器人时，Park法给出的结果和Tsai法差了5度。排查了半天，发现是有一组数据的旋转角度恰好是179.9度，导致对数映射不稳定。从那以后，我每次都会检查旋转角度是否接近180度，如果接近就剔除那组数据。
4.4 两种方法的对比
| 对比项 | Tsai法 | Park法 |
|---|---|---|
| 求解方式 | 两步法（先旋转后平移） | 一步法（李代数线性化） |
| 数学基础 | 线性代数、SVD | 李群、李代数、指数映射 |
| 代码复杂度 | 中等 | 较低 |
| 对数据质量要求 | 较高（需要大范围运动） | 中等（注意180度奇异性） |
| 工程应用频率 | 最常用 | 逐渐增多 |
我个人习惯是：先用Tsai法快速得到一个结果，再用Park法验证。如果两者差异在1度以内，基本可以放心使用。如果差异较大，说明数据有问题，需要重新采集。
4.5 知识体系总览
下面这张图把本章的核心逻辑串起来了。从问题定义到两种解法，再到工程注意事项，一目了然。
嗯，这张图把整个流程串起来了。从问题定义到两种解法，再到工程中的坑，你照着这个思路走，基本不会出大问题。
总结一下：
- 手眼标定的核心就是解AX=XB方程
- Tsai法分两步，先旋转后平移，工程最常用
- Park法用李代数，代码简洁，但要注意180度奇异性
- 两种方法交叉验证，结果更可靠
可可精品资料库