1. 课程导论

1.1 手眼标定概述

手眼标定（Hand-Eye Calibration）是机器人学与计算机视觉交叉领域中的核心基础问题。其本质是求解机器人末端执行器（手）坐标系与安装在末端上的相机（眼）坐标系之间的刚性变换矩阵 X，使得相机感知到的空间信息能够统一到机器人基坐标系下，从而引导机器人进行精确操作。

根据相机安装方式的不同，手眼标定主要分为两种经典构型：

1.2 点云配准在标定中的作用

传统手眼标定依赖棋盘格或圆点阵列等平面标定板，通过提取角点或圆心进行PnP求解。然而，在以下场景中，传统方法面临严峻挑战：

• 大视场/远距离： 标定板在图像中占比过小，角点提取精度急剧下降。
• 曲面或复杂工件： 无法贴附平面标定板，或标定板被遮挡。
• 深度相机/激光雷达： 主要输出为3D点云，2D图像特征稀疏或缺失。

点云配准（Point Cloud Registration） 为解决上述问题提供了全新路径。其核心思想是：利用3D点云之间的几何特征（如FPFH、SHOT、ISS关键点）进行匹配，通过ICP及其变种算法求解点云间的刚体变换，从而替代传统PnP步骤，直接构建机器人运动与点云变换之间的约束方程。

点云配准在标定中的具体作用可归纳为：

1. 替代标定板： 利用场景中已有的几何特征（平面、圆柱、角点）作为自然标记物。
2. 提升鲁棒性： 点云数据对光照变化、纹理缺失不敏感，适用于工业现场恶劣环境。
3. 实现无靶标标定： 完全摆脱物理标定板，实现全自动、在线化的手眼标定流程。

1.3 课程目标

通过本课程的学习，学员将能够：

• 理解原理： 掌握手眼标定的数学模型（AX=XB）、Tsai法与Navy法求解原理，以及点云配准的核心算法（ICP、Point-to-Plane ICP、特征匹配）。
• 掌握方法： 学会使用点云配准替代传统标定板，构建无靶标手眼标定流程。
• 动手实战： 基于Python + Open3D + PyRoboVis，从零实现一套完整的点云配准辅助手眼标定系统，并输出标定精度评估报告。
• 工程落地： 能够处理真实场景中的噪声、遮挡、部分重叠等工程问题，将标定结果部署到实际机器人工作站。

1.4 前置知识

为了确保学习效果，建议学员具备以下基础：

1.5 课程内容概览

本课程共分为30章，内容组织如下：