2. 传感器选型与标定：3D相机选型与手眼标定

做无序分拣，第一步就是选一双好「眼睛」。我见过不少项目，算法调得再好，相机选错了，照样抓不准。今天咱们就把3D相机选型和标定这件事聊透。

2.1 三种主流3D相机技术对比

目前工业分拣用得最多的就三种：结构光、ToF、双目。各有各的脾气，我一个个说。

技术类型	原理	典型精度	适用场景	典型代表
结构光	投射编码条纹，三角法解算深度	0.1~1 mm	近距离高精度分拣（<1m）	Ensenso、Kinect v1
ToF	发射调制光脉冲，测量飞行时间	1~10 mm	中远距离、快速抓取（0.5~5m）	Basler ToF、Kinect v2
双目	双摄像头视差匹配，三角测量	1~5 mm	室外/大视野、纹理丰富场景	ZED、Intel RealSense D435

2.2 相机内参标定

内参标定，说白了就是搞清楚相机自己的「脾气」——焦距、主点、畸变系数。不标定，你算出来的3D坐标全是歪的。

2.2.1 标定流程

1. 准备标定板：棋盘格或圆点阵，打印要平整，贴在刚性板上。
2. 采集图像：至少15~20张，覆盖不同角度、距离、姿态。
3. 角点检测：用OpenCV的 findChessboardCorners 或 findCirclesGrid。
4. 求解内参：调用 calibrateCamera，得到相机矩阵K和畸变系数。
5. 验证重投影误差：误差小于0.5像素才算合格。

2.2.2 代码示例

import cv2
import numpy as np

# 棋盘格尺寸（内角点）
pattern_size = (9, 6)
objp = np.zeros((pattern_size[0]*pattern_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2)

objpoints = []  # 世界坐标系点
imgpoints = []  # 图像坐标系点

for fname in image_files:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
    if ret:
        objpoints.append(objp)
        imgpoints.append(corners)

ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    objpoints, imgpoints, gray.shape[::-1], None, None)

print("相机内参矩阵:\n", mtx)
print("畸变系数:\n", dist)

2.3 手眼标定

相机标好了，还得知道它和机器人手臂的相对位置。这就是手眼标定。分两种：Eye-in-Hand（眼在手上）和 Eye-to-Hand（眼在手外）。

2.3.1 两种方式对比

项目	Eye-in-Hand	Eye-to-Hand
相机安装位置	固定在机器人末端	固定在工作台上方
标定目标	求相机→末端（手眼矩阵）	求相机→基座（手眼矩阵）
视野特点	随机械臂移动，视野变化	视野固定，覆盖整个工作区
典型应用	小件抓取、近距离操作	大范围分拣、料筐抓取
标定复杂度	中等（需多次移动末端）	较低（一次标定即可）

2.3.2 标定原理

核心方程是 AX = XB，其中A是机器人末端位姿变化，B是相机看到的标定板位姿变化，X就是我们要的手眼矩阵。用Tsai两步法或OpenCV的 calibrateHandEye 求解。

import cv2
import numpy as np

# R_gripper2base, t_gripper2base: 机器人末端位姿（从机器人控制器读取）
# R_target2cam, t_target2cam: 标定板在相机坐标系下的位姿（从PnP求解）
R_cam2gripper, t_cam2gripper = cv2.calibrateHandEye(
    R_gripper2base, t_gripper2base,
    R_target2cam, t_target2cam,
    method=cv2.CALIB_HAND_EYE_TSAI
)

print("手眼旋转矩阵:\n", R_cam2gripper)
print("手眼平移向量:\n", t_cam2gripper)

2.3.3 标定步骤（以Eye-in-Hand为例）

1. 将标定板固定在工作台上，位置不变。
2. 控制机器人末端移动到不同姿态，记录末端位姿 T_base2gripper。
3. 在每个姿态下，用相机拍摄标定板，通过PnP求解 T_cam2target。
4. 收集至少15组数据，调用 calibrateHandEye 求解。
5. 验证：用标定结果将相机检测到的点转换到机器人基座下，与真实位置对比。

2.4 本章知识体系

2.5 选型与标定的常见坑

• 选型只看分辨率：分辨率高不代表精度高。结构光的精度取决于投射器基线长度，ToF的精度受多路径干扰影响大。我建议你拿实际工件去现场测，别信宣传页。
• 标定板随便用：标定板不平、打印精度差、反光，都会导致标定失败。花几十块钱买块陶瓷标定板，比打印纸强一百倍。
• 手眼标定数据太少：少于10组数据，解算结果不稳定。我一般采集20~30组，覆盖工作空间的不同区域。
• 忽略畸变校正：有些人不做畸变校正直接做手眼标定，结果边缘区域误差大得离谱。先内参标定，再手眼标定，顺序别搞反。