4. 补偿效果评估

标定做完，补偿参数写进去，是不是就万事大吉了？

千万别急。我见过太多项目，标定流程跑得挺顺，一上产线就出问题。为什么？因为没做效果评估。说白了，补偿参数好不好，得拿数据说话。

这一章，我们就来聊聊怎么评估补偿效果。我会从三个维度展开：残差分布、重复性精度、定位精度。最后再把补偿前后的数据拉出来对比，让你看得明明白白。

4.1 残差分布可视化

残差是什么？简单说，就是标定方程算出来的理论值和实际测量值之间的差。我习惯叫它「误差的痕迹」。

残差分布能告诉我们两件事：一是标定模型本身有没有系统偏差，二是数据采集过程中有没有异常点。

4.1.1 残差直方图

把每个标定点的残差画成直方图，理想情况是近似正态分布，均值接近零。如果直方图明显偏左或偏右，说明存在系统偏差，补偿模型可能没完全拟合。

import numpy as np
import matplotlib.pyplot as plt

# 假设 residuals 是标定残差数组 (单位: mm)
residuals = np.array([0.12, -0.08, 0.15, -0.05, 0.09, ...])

plt.figure(figsize=(8, 4))
plt.hist(residuals, bins=20, edgecolor='black', alpha=0.7)
plt.axvline(x=0, color='red', linestyle='--', label='零误差线')
plt.xlabel('残差 (mm)')
plt.ylabel('频次')
plt.title('残差分布直方图')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

4.1.2 残差散点图

把残差按空间位置画出来，能看出误差是否与位置相关。比如，工作空间边缘的残差普遍偏大，那可能是运动学模型在极限位置拟合不够好。

# 假设 x, y, z 是标定点坐标，residuals 是对应残差
fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(111, projection='3d')
sc = ax.scatter(x, y, z, c=residuals, cmap='coolwarm', s=30)
plt.colorbar(sc, label='残差 (mm)')
ax.set_xlabel('X (mm)')
ax.set_ylabel('Y (mm)')
ax.set_zlabel('Z (mm)')
plt.title('残差空间分布')
plt.show()

4.2 重复性精度测试

重复性精度，说白了就是机器人「能不能每次都走到同一个点」。这个指标和补偿模型关系不大，更多反映机器人本身的机械性能。但补偿前后重复性精度的变化，能间接说明补偿是否引入了额外的不确定性。

4.2.1 测试方法

1. 在机器人工作空间内选取 5~10 个测试点
2. 每个点重复运动 30 次
3. 记录每次到达的实际位置
4. 计算每个点的标准差

测试点	X 标准差 (mm)	Y 标准差 (mm)	Z 标准差 (mm)	综合标准差 (mm)
点 1	0.023	0.018	0.031	0.042
点 2	0.019	0.025	0.027	0.039
点 3	0.031	0.022	0.035	0.051
点 4	0.017	0.020	0.024	0.035
点 5	0.026	0.019	0.029	0.043

4.3 定位精度测试

定位精度，才是补偿效果的核心指标。它衡量的是机器人「能不能走到你想要的点」。这个测试需要外部测量设备，比如激光跟踪仪或视觉测量系统。

4.3.1 测试流程

1. 在工作空间内均匀选取 20~30 个测试点（不要和标定点重合）
2. 用外部设备测量每个点的实际位置
3. 计算每个点的位置偏差：ΔP = sqrt(Δx² + Δy² + Δz²)
4. 统计所有点的平均偏差、最大偏差、标准差

4.3.2 结果解读

一般来说，补偿后的平均定位精度应该比补偿前提升 50% 以上。如果提升不明显，我建议回头检查标定数据采集过程，看看是不是有系统误差没被补偿掉。

# 计算定位精度指标
errors = np.sqrt(dx**2 + dy**2 + dz**2)
mean_error = np.mean(errors)
max_error = np.max(errors)
std_error = np.std(errors)

print(f"平均误差: {mean_error:.3f} mm")
print(f"最大误差: {max_error:.3f} mm")
print(f"标准差: {std_error:.3f} mm")

4.4 补偿前后对比分析

这是最直观的一步。把补偿前后的数据放在一起，用表格和图表对比，效果一目了然。

4.4.1 对比表格

指标	补偿前	补偿后	提升幅度
平均定位误差 (mm)	1.234	0.312	74.7%
最大定位误差 (mm)	2.891	0.678	76.5%
残差均值 (mm)	0.456	0.089	80.5%
残差标准差 (mm)	0.321	0.076	76.3%
重复性精度 (mm)	0.042	0.044	-4.8%

4.4.2 对比可视化

我习惯用柱状图或箱线图来展示补偿前后的误差分布。箱线图尤其好用，能同时看到中位数、四分位距和异常点。

# 补偿前后误差箱线图
data_before = [1.23, 1.45, 0.98, 1.67, ...]  # 补偿前误差
data_after = [0.31, 0.28, 0.35, 0.29, ...]   # 补偿后误差

plt.figure(figsize=(6, 4))
plt.boxplot([data_before, data_after], labels=['补偿前', '补偿后'])
plt.ylabel('定位误差 (mm)')
plt.title('补偿前后定位误差对比')
plt.grid(True, alpha=0.3)
plt.show()

4.5 评估报告模板

每次做完评估，我都会整理一份报告。这里给你一个模板，可以直接用：

1. 测试环境：机器人型号、控制器版本、测量设备型号
2. 测试条件：温度、负载、运行速度
3. 标定参数：使用的标定模型、采集点数、补偿算法
4. 残差分析：残差直方图、残差空间分布图
5. 重复性精度：各测试点标准差、综合标准差
6. 定位精度：平均误差、最大误差、误差分布箱线图
7. 补偿前后对比：关键指标对比表、对比柱状图
8. 结论与建议：补偿是否有效、是否需要重新标定、后续优化方向

好了，评估方法就这些。记住，补偿效果好不好，不是靠感觉，是靠数据。把这一套流程走下来，你的标定工作才算真正闭环。