4. 手眼标定数学模型

4.1 手眼标定的核心方程：AX = XB

手眼标定的本质是求解机器人末端执行器（法兰盘）与相机之间的固定齐次变换矩阵 X。无论相机是固定在机器人手臂上（Eye-in-Hand）还是固定在工作空间中（Eye-to-Hand），其数学模型均可归结为求解矩阵方程 AX = XB。

设机器人末端在两次不同位姿下的变换矩阵分别为 A₁ 和 A₂，相机在对应位姿下观测标定板得到的变换矩阵分别为 B₁ 和 B₂。根据闭环约束，存在以下关系：

A₁ · X · B₁⁻¹ = A₂ · X · B₂⁻¹
⇒ (A₂⁻¹ · A₁) · X = X · (B₂⁻¹ · B₁)
⇒ A · X = X · B

其中：

• A = A₂⁻¹ · A₁：机器人末端从位姿1到位姿2的相对运动矩阵。
• B = B₂⁻¹ · B₁：相机从位姿1到位姿2的相对运动矩阵。
• X：待求的手眼变换矩阵（4×4齐次矩阵）。

4.2 AX=XB 方程的分解与求解策略

齐次变换矩阵 A、B、X 均可分解为旋转部分 R 和平移部分 t：

A = [R_A  t_A]    B = [R_B  t_B]    X = [R_X  t_X]
    [0    1 ]        [0    1 ]        [0    1 ]

代入 AX = XB 可得两个独立方程：

求解策略通常分为两步：先解旋转，再解平移。旋转方程是核心难点，不同解法衍生出 Tsai 法和 Park 法两大主流方法。

4.3 Tsai 法：基于轴角表示的经典解法

Tsai 法（Tsai & Lenz, 1989）采用旋转轴-旋转角（Axis-Angle）参数化旋转矩阵，将旋转方程转化为线性最小二乘问题。

4.3.1 旋转求解步骤

1. 计算旋转轴向量：从 R_A 和 R_B 分别提取旋转轴单位向量 k_A 和 k_B。
2. 构造线性方程：利用 Rodrigues 旋转公式，将 R_A · R_X = R_X · R_B 转化为关于旋转轴 k_X 的线性方程：
   (k_A + k_B) × k_X = k_A - k_B
3. 最小二乘求解：对多组数据构建超定方程组，求解 k_X，再反算旋转角 θ_X，最终得到 R_X。

4.3.2 平移求解

在 R_X 已知后，平移方程变为：

(R_A - I) · t_X = R_X · t_B - t_A

这是一个关于 t_X 的线性方程组，同样通过最小二乘法求解。

4.4 Park 法：基于李群与李代数的优化解法

Park 法（Park & Martin, 1994）将旋转矩阵视为 SO(3) 李群 上的元素，利用李代数 so(3) 的指数映射，将旋转方程转化为线性空间中的优化问题。

4.4.1 旋转求解原理

1. 对数映射：将 R_A 和 R_B 映射到李代数空间，得到对应的反对称矩阵 [ω_A] 和 [ω_B]。
2. 线性化方程：旋转方程在 SO(3) 上等价于：
   log(R_A) + log(R_X) = log(R_X) + log(R_B)
   忽略高阶项后，转化为关于旋转向量 ω_X 的线性方程：
   (ω_A - ω_B) × ω_X = ω_A + ω_B
3. 迭代优化：采用 Gauss-Newton 或 Levenberg-Marquardt 算法迭代求解，收敛后通过指数映射得到 R_X。

4.4.2 平移求解

Park 法的平移求解与 Tsai 法类似，但可利用旋转求解过程中的雅可比矩阵进行联合优化，提高整体精度。

4.5 Tsai 法与 Park 法的数学原理对比

4.6 两种方法的算法流程对比（SVG）

下图对比了 Tsai 法与 Park 法在求解 AX=XB 时的核心流程差异：

4.7 工程实践建议

• 数据采集：确保机器人运动时旋转角大于 30°，避免 Tsai 法因小旋转角导致的数值不稳定。
• 方法选择：在计算资源受限的嵌入式系统中优先使用 Tsai 法；在离线高精度标定场景中推荐 Park 法。
• 混合策略：先用 Tsai 法得到初始解，再以该解作为 Park 法的初始值进行迭代优化，兼顾效率与精度。
• 验证手段：求解后计算残差 ||A·X - X·B||_F，若残差大于 1e-3，说明数据质量或求解过程存在问题。