1. 误差来源分析
大家好，我是你们的老朋友。咱们这门课叫《手眼标定的误差补偿》，开篇第一件事，我得先带你把“敌人”看清楚——到底哪些误差在捣乱？
你想想看，手眼标定说白了就是求一个变换矩阵，把相机看到的东西告诉机器人手爪。但实际做下来，你会发现标定结果总差那么一点点。为什么？
我做了这么多年机器人，踩过的坑不少。今天就把最常见的四个误差来源，一个一个掰开揉碎了讲给你听。
核心观点：误差不是单一来源，而是多个环节的“叠加效应”。你忽略任何一个，最终精度都会打折扣。
1.1 标定板角点检测误差
这是最直观的误差源。你拍一张棋盘格照片，程序去找角点，但像素坐标真的准吗？
我习惯用OpenCV的 findChessboardCorners，它返回的是亚像素级坐标。但实际项目中，我遇到过几次“看起来对，实际偏了0.3个像素”的情况。为什么会这样？
- 光照不均匀：棋盘格一半亮一半暗，角点会往亮区偏移。
- 镜头畸变：边缘区域的角点，畸变校正不彻底，位置就偏了。
- 标定板不平整：纸板贴在玻璃上，有气泡或褶皱，角点物理位置就不对。
我的经验：标定板最好用陶瓷或玻璃基板，厚度3mm以上。别省这个钱，纸板标定板在温度变化时变形很厉害。
角点检测误差会直接传递到后续的PnP求解中。你想想看，一个像素偏差，在远距离时可能对应几毫米的空间误差。所以，这一步必须较真。
1.2 机器人运动学参数误差
这个坑，我当年在汽车产线上栽过。机器人告诉你它末端在(100, 200, 300)，但实际位置可能差了1-2mm。
为什么？因为机器人运动学模型是理想化的。实际中存在：
| 误差类型 | 典型量级 | 影响 |
|---|---|---|
| DH参数偏差 | 0.1~0.5 mm | 连杆长度/角度不准确 |
| 关节零点偏移 | 0.01~0.05° | 末端位置漂移 |
| 连杆柔性变形 | 0.2~1.0 mm | 负载不同时变形不同 |
| 齿轮回差 | 0.005~0.02° | 正反向运动不一致 |
说白了，机器人读到的关节角度和实际角度之间，存在一个“系统偏差”。这个偏差在标定过程中会被“吸收”到手眼矩阵里，导致你标出来的结果不准。
注意：如果你用同一台机器人做标定和后续作业，运动学误差会被部分抵消。但如果你把标定结果移植到另一台机器人上，精度会急剧下降。我吃过这个亏。
1.3 相机内参标定残差
相机内参标定，大家都会做。但你真的检查过重投影误差吗？
我记得有一次，我用张正友标定法，重投影误差0.15像素，觉得挺好了。结果手眼标定完，实际抓取偏差0.8mm。查来查去，发现是相机内参的畸变参数在图像边缘区域误差较大。
内参残差主要来自：
- 畸变模型不匹配：普通径向切向模型，对广角镜头或鱼眼镜头不够用。
- 标定图像数量不足：少于15张，或者姿态变化不够大，内参解不稳定。
- 标定板平面度：和角点检测一样，内参标定也依赖标定板精度。
我建议你标定完内参后，一定要做一件事：可视化重投影误差分布图。如果误差在图像中心小、边缘大，说明畸变模型没拟合好。
关键指标：内参标定的重投影误差应控制在0.1像素以内。超过0.2像素，手眼标定结果基本不可靠。
1.4 数据采集噪声
这个最容易被忽略。你辛辛苦苦拍了20组数据，结果一半是“脏数据”。
数据采集噪声包括：
- 图像噪声：传感器热噪声、暗电流，在低光照下尤其明显。
- 机器人抖动：停止后未完全稳定就采集，末端有微振动。
- 量化误差：图像分辨率有限，角点坐标是整数像素的近似。
- 时间不同步：相机触发和机器人读取位姿的时刻不一致。
我曾经在一个项目中，发现标定结果每天都不一样。排查到最后，是相机和机器人之间的触发信号有20ms的延迟。机器人已经到位了，相机还没拍，拍到的其实是运动中的图像。
避坑指南：采集数据时，让机器人运动到目标位姿后，等待500ms再触发相机。同时，多采集几组数据，用RANSAC或LMedS方法剔除异常值。
小结：误差的“叠加效应”
这四类误差不是孤立的。它们会相互放大：
- 角点检测误差 → 影响PnP求解 → 得到错误的相机位姿
- 运动学误差 → 机器人位姿不准 → 手眼方程两边都不对
- 内参残差 → 空间点投影偏差 → 标定结果系统性偏移
- 数据噪声 → 随机扰动 → 标定结果方差大
所以，后面几章我们会针对每一类误差，讲具体的补偿方法。但今天你先把这些“敌人”认清楚。知己知彼，才能百战不殆。
嗯，这一章就到这里。记住，误差分析是标定的第一步，也是最关键的一步。你花多少时间在分析上，后面就省多少时间在调试上。