2. 误差来源分析

手眼标定搞了半天，结果精度就是上不去。这种事我遇到过太多次了。

说白了，标定结果不准，不是算法不行，是误差源头没管好。你想想看，一个方程里塞了三四种误差，最后解出来的参数能靠谱吗？

这一章，我就带你把这几个“捣乱分子”一个个揪出来。咱们得知道它们长什么样，才能在后续章节里对症下药。

2.1 机器人运动学误差

这是我最头疼的一个误差源。为什么？因为它不是随机噪声，是系统性的。

机器人运动学模型，说白了就是一堆DH参数。但实际装配出来的机器人，跟图纸上的DH参数总有偏差。我见过一台六轴机器人，光零点偏移就差了0.05度，末端位置直接偏了0.3毫米。

常见的运动学误差包括：

• DH参数误差：连杆长度、连杆偏距、关节转角、连杆扭角，这四个参数每个都可能偏。
• 关节零点偏移：编码器零点跟机械零点没对齐。这个影响最大，因为所有关节角度都带了个固定偏置。
• 减速比误差：谐波减速器或RV减速器的实际减速比跟标称值有微小差异，角度越大误差越明显。
• 柔性与回差：重载下连杆变形、齿轮间隙，这些在精密标定场景下不能忽略。

误差类型	典型量级	对末端位姿影响	是否可补偿
DH参数误差	0.01~0.1 mm / 0.01°~0.05°	位置偏差随构型变化	是（运动学标定）
关节零点偏移	0.01°~0.1°	末端位置偏移与臂长成正比	是（零点标定）
减速比误差	0.01%~0.1%	角度越大误差越大	是（参数辨识）
柔性与回差	0.01~0.05 mm	与负载和姿态相关	部分可补偿

2.2 相机标定误差

相机标定误差，说白了就是相机“看走眼”了。内参不准、畸变模型不对、标定板不平，都会导致空间点坐标算出来就是歪的。

我记得有一次，用张正友标定法标了一台500万像素的相机，重投影误差0.08像素，看着挺漂亮。结果放到手眼标定里，怎么算都不对。后来发现，标定板是亚克力板贴的，温度一变就翘曲了。

相机标定误差主要来自：

• 内参标定误差：焦距、主点、畸变系数。尤其是畸变，边缘区域的畸变校正不准，会直接带偏特征点的空间坐标。
• 标定板质量：棋盘格不平整、圆点阵列位置不准、图案印刷有偏差。我建议用陶瓷或玻璃基底的标定板，别用纸打印的。
• 标定图像数量与分布：只拍十几张图，而且都在视野中央，那标出来的畸变参数基本是废的。
• 光照与对焦：光照不均匀导致角点提取偏移，对焦模糊导致亚像素精度下降。

我个人的经验是，相机标定这一步，宁可多花半小时，也别凑合。多拍几组不同角度、不同距离的图像，保证标定板覆盖整个视野。尤其是视野边缘，畸变最大的地方，一定要有标定板出现。

2.3 特征点提取误差

这个误差源，很多人容易忽略。觉得角点提取嘛，OpenCV一个函数就搞定了，能有多大误差？

其实不然。特征点提取误差，是手眼标定里最“随机”的误差源。它不像运动学误差那样有规律，也不像相机标定误差那样可以通过模型补偿。它就是纯粹的噪声，而且跟图像质量强相关。

常见的特征点提取误差包括：

• 角点检测偏差：棋盘格角点，在图像模糊或光照不均时，亚像素定位会偏移。我测过，在低光照下，角点偏移能达到0.3像素。
• 圆心提取误差：圆点标定板的圆心提取，受透视投影影响，圆会变成椭圆，质心跟实际圆心有偏差。
• 图像噪声：传感器噪声、量化误差，这些在高精度标定场景下不能忽略。
• 标定板自身特征误差：棋盘格角点不是理想的黑白交界，印刷边缘有羽化，也会引入偏差。

特征类型	典型提取精度	主要影响因素	改进方法
棋盘格角点	0.05~0.15 像素	光照、模糊、对比度	多帧平均、自适应阈值
圆点圆心	0.1~0.3 像素	透视畸变、椭圆拟合误差	透视校正、加权拟合
编码点	0.02~0.05 像素	编码点设计、解码算法	使用高精度编码点

2.4 三种误差的叠加效应

好了，三种误差都讲完了。你可能会问：它们到底谁影响最大？

我的答案是：看场景。

• 如果机器人是旧设备、没做过运动学标定，那运动学误差是老大。
• 如果相机是廉价工业相机、镜头畸变大，那相机标定误差是瓶颈。
• 如果光照条件差、标定板质量差，那特征点提取误差会拖后腿。

但有一点是确定的：三种误差会叠加。运动学误差让末端位姿偏了，相机标定误差让空间点坐标偏了，特征点提取误差又给数据加了噪声。这三者凑在一起，手眼标定方程的解就会变得很不稳定。