4、手眼标定原理：手眼标定问题建模（AX=XB）、经典求解方法（Tsai、Park）

手眼标定，说白了就是让机器人知道自己“眼睛”长在哪儿。

我刚开始接触这个课题时，觉得不就是个坐标变换嘛。后来在项目里被坑过一次——标定误差导致机械臂抓取偏差了3毫米，零件直接报废。嗯，从那以后我再也不敢小看这一步了。

先想一个问题：你的激光雷达装在机械臂末端，机械臂动一下，雷达也跟着动。但雷达坐标系和机械臂末端坐标系之间，有一个固定的变换关系——这就是我们要找的 手眼矩阵 X。

为什么是 AX=XB？

你想想看，机械臂从姿态 A 变到姿态 B，雷达也同时从姿态 A' 变到姿态 B'。这两个变换之间，夹着一个固定的 X。数学上写出来就是：

A * X = X * B

其中：

我在项目中遇到过一个问题：很多人以为 A 和 B 是同一个运动。其实不是。A 是机械臂的运动，B 是雷达看到的运动。它们描述的是同一个物理运动，但坐标系不同。

核心理解：AX=XB 的本质是“运动一致性约束”。机械臂动了多少，雷达就应该看到多少，只是表达方式不同。

一组 A 和 B 能解出 X 吗？不能。因为未知数太多——旋转有3个自由度，平移有3个自由度，一共6个未知数。一组方程只能提供部分约束。

我个人的习惯是：至少采集 8-10 组不同姿态的数据。为什么？

避坑指南：我曾经只采集了4组数据，结果解出来的 X 在某个方向上误差特别大。后来发现是因为那4组运动几乎都是绕同一个轴旋转的——说白了就是信息量不够。

Tsai 法是1989年提出的，算是手眼标定的“老祖宗”了。它的思路很直接：先解旋转，再解平移。

第一步：解旋转

把 AX=XB 拆开，旋转部分写成：

R_A * R_X = R_X * R_B

Tsai 用了一个技巧：把旋转矩阵转成旋转轴-角度表示。然后构造一个线性方程组，用最小二乘法求解。

第二步：解平移

旋转解出来后，平移部分就变成了线性方程：

(R_A - I) * t_X = R_X * t_B - t_A

这里 I 是单位矩阵，t_A、t_B 是平移向量。

我在实际项目中用过 Tsai 法，感觉它最大的优点是：稳定。只要数据质量还行，结果基本靠谱。但缺点也很明显——对噪声敏感，尤其是旋转角度很小的时候。

注意：Tsai 法要求至少两组非平行的旋转轴。如果所有运动都是绕同一个轴转，那旋转部分就解不出来。我见过有人采集数据时只让机械臂做俯仰运动，结果标定失败——嗯，这就是典型的“数据多样性不足”。

Park 法是1994年提出的，比 Tsai 晚几年。它的核心思想是用 四元数 代替旋转矩阵。

为什么用四元数？因为四元数没有万向锁问题，而且插值更平滑。Park 把 AX=XB 的旋转部分写成四元数形式：

q_A * q_X = q_X * q_B

然后通过奇异值分解（SVD）来求解。具体步骤：

我个人更喜欢 Park 法。为什么？因为它在噪声较大的情况下，表现比 Tsai 法好。我在一个项目里对比过两种方法——同样的数据，Tsai 解出来的旋转误差是 0.8°，Park 只有 0.3°。

对比总结：

方法	优点	缺点	适用场景
Tsai 法	实现简单，计算快	对噪声敏感，小角度时不稳定	数据质量高、运动幅度大
Park 法	抗噪性好，数值稳定	实现稍复杂	噪声较大、运动范围受限

下面这张图是我自己总结的手眼标定知识结构，你看一眼就能明白整个流程：

讲完理论，说点实际的。我在多个项目里做过手眼标定，踩过不少坑，这里分享几个关键点：

个人经验：我曾经在一个项目里，Tsai 和 Park 两种方法都试了，结果差了 2°。后来发现是标定板反光导致点云配准不准。换了哑光标定板后，两种方法的结果就一致了。所以有时候问题不在算法，在数据质量。

好了，手眼标定的核心内容就这些。说白了就是：建模成 AX=XB，然后用 Tsai 或 Park 去解。选哪个方法？看你的数据质量。数据好就用 Tsai，简单直接；数据噪声大就用 Park，稳一点。