4、眼在手上（Eye-in-Hand）标定：原理、数学模型、标定流程、与Eye-to-Hand的区别

眼在手上（Eye-in-Hand）标定，说白了就是把相机固定在机器人末端法兰盘上。相机跟着机械臂一起动，走到哪拍到哪。我刚开始接触这个配置时，觉得它比Eye-to-Hand复杂不少——毕竟相机一直在动，坐标系关系也更绕。但做多了你会发现，它其实有它独特的优势。

这一章，我们就把Eye-in-Hand的原理、数学模型、标定流程讲透，最后再跟Eye-to-Hand做个对比。嗯，这样你以后选型时心里就有数了。

4.1 基本原理：为什么让相机“长”在手上？

Eye-in-Hand的核心思路是：相机固定在机器人末端，随末端运动。标定的目标，是求出相机坐标系到末端法兰盘坐标系的变换矩阵，记作 X = T_cam^end。

为什么要这么干？我举个例子。在精密装配或焊缝跟踪场景里，工件位置可能有偏差。如果相机装在别处，你得先让机器人摆个固定姿势去拍照，再计算偏移。但Eye-in-Hand就不一样——机械臂可以一边靠近工件一边拍照，实时修正抓取点。说白了，它更适合近距离、高精度、动态调整的任务。

4.2 数学模型：AX = XB 问题

Eye-in-Hand的数学模型，本质上是一个经典的AX = XB问题。你想想看，机器人带着相机从姿势A₁运动到姿势A₂，同时相机也拍到了标定板，得到了两次相机到标定板的变换B₁和B₂。那么，未知的X（相机到末端的变换）必须满足：

A1 · X · B1 = A2 · X · B2

整理一下，就变成了：

(A2-1 · A1) · X = X · (B2 · B1-1)

令 A = A2-1 · A1，B = B2 · B1-1，就得到了：

A · X = X · B

这就是机器人手眼标定里最经典的方程。A是机器人末端的相对运动，B是相机看到的相对运动，X是我们要求的未知量。

4.3 标定流程：一步一步来

Eye-in-Hand的标定流程，我总结为5步。每一步都有坑，我当年踩过不少。

1. 准备标定板：棋盘格或圆点阵都行。我个人偏爱非对称圆点阵，因为角点检测更鲁棒。标定板要固定在工作空间内，不能动。
2. 采集多组数据：控制机器人运动到不同姿态，每次记录机器人末端位姿（从控制器读）和相机拍摄的标定板图像。注意，姿态变化要足够大——平移和旋转都要覆盖。我见过有人只平移不旋转，结果解出来的X误差很大。
3. 提取角点，计算B：对每张图像提取标定板角点，用PnP算法求出相机到标定板的变换矩阵B。
4. 构建AX=XB方程组：用至少3组（建议8-12组）数据，构建A和B的相对运动对。然后求解X。
5. 验证与优化：用未参与求解的数据做验证。如果重投影误差大于0.5像素，或者机器人引导抓取偏差超过1mm，就得重新采集数据或检查机器人运动学参数。

4.4 与Eye-to-Hand的区别

很多初学者搞不清Eye-in-Hand和Eye-to-Hand到底有什么区别。我直接给你列个表，一目了然。

对比项	Eye-in-Hand	Eye-to-Hand
相机安装位置	固定在机器人末端法兰盘	固定在工作空间外部（如天花板、支架）
标定目标	求相机到末端的变换 X	求相机到机器人基座的变换 Y
数学模型	AX = XB	AX = YB
标定板位置	固定在工作空间内	固定在机器人末端
视野特点	视野随末端移动，可近距离观察工件	视野固定，适合全局观察
典型应用	精密装配、焊缝跟踪、抓取	物料分拣、码垛、大范围定位
精度影响因素	机器人运动学精度、相机内参	相机外参标定精度、机器人定位精度

你看，两者的核心区别在于相机跟谁走。Eye-in-Hand的相机跟着末端走，所以它适合做精细活；Eye-to-Hand的相机固定不动，适合看全局。选哪个，取决于你的任务需求。

4.5 知识结构图

下面这张图，把Eye-in-Hand标定的核心逻辑串起来了。从原理到数学模型，再到流程和对比，你可以用它做复习提纲。

4.6 一些实用建议

最后，我分享几个实战中总结的小技巧：

• 数据采集时，让机器人末端做“8”字形运动。这样能保证旋转和平移都充分变化，避免退化情况。
• 每次运动后，稍微停顿一下再拍照。机器人运动停止后，末端会有微小抖动，等它稳定了再拍，能减少运动学误差。
• 标定板不要太小。我见过有人用A4纸打印的棋盘格，结果相机离得远一点就检测不到角点。建议标定板尺寸至少占相机视野的1/3。
• 验证时，用机器人去碰一个固定点。这是最直观的验证方法——让相机识别一个尖点，然后控制机器人末端去触碰它。偏差多少，一目了然。