📚 课程目录第4章眼在手外（Eye-to-Hand）标定实战

4. 眼在手外（Eye-to-Hand）标定实战：固定相机安装要求、标定步骤、奇异值分解（SVD）求解、重投影误差分析

眼在手外标定，说白了就是把相机固定在场景中某个位置，让它看着机器人干活。我最早接触这个配置时，总觉得比眼在手上简单——相机不动嘛，少了很多运动学耦合。但实际做下来才发现，安装位置选不好，后面标定精度直接崩掉。

这一章我们聚焦四个核心问题：相机怎么装、标定流程怎么走、SVD怎么解、误差怎么看。每个点我都会结合项目里的真实踩坑经历来讲。

4.1 固定相机的安装要求

相机装在哪，不是随便找个架子一放就完事。我见过太多人把相机装在机器人正上方，结果标定完一抓取，末端稍微偏一点就出视野。嗯，这里有几个硬性要求，你最好记下来。

要求项	具体说明	我踩过的坑
视野覆盖	相机视野必须覆盖整个抓取工作区，且留出20%余量	有一次视野刚好卡边界，机器人一运动标定板就出框，重拍了十几次
安装刚性	支架必须刚性固定，不能有振动或松动	用铝型材搭的架子，工人碰了一下，重投影误差从0.3飙到2.1像素
光照稳定	避免环境光剧烈变化，最好加遮光罩或补光灯	车间窗户下午西晒，标定板反光导致角点检测全偏
标定板可达	机器人末端必须能带着标定板到达视野内多个位姿	相机装太低，机器人姿态受限，标定结果奇异性严重

⚠️ 特别注意： 安装完成后，用记号笔在支架和地面做标记。一旦被移动，必须重新标定。我曾经因为清洁工挪了支架没告诉我，浪费了整整一个下午排查误差来源。

4.2 标定步骤：从数据采集到矩阵求解

眼在手外标定的核心方程是：

𝐓_camera^base · 𝐓_board^camera = 𝐓_flange^base · 𝐓_board^flange

说白了，就是相机坐标系下的标定板位姿，和机器人基坐标系下的法兰盘位姿，通过一个固定变换关联起来。我们要求的就是 𝐓_camera^base。

具体步骤我分成五步走：

准备标定板——棋盘格或圆点阵，尺寸要精确测量。我习惯用7×9棋盘格，角点多，鲁棒性好。
采集多组位姿——让机器人带着标定板在视野内移动，至少拍15-20组。注意：姿态要分散，不要全在一个平面。
提取角点——用OpenCV的findChessboardCorners，亚像素细化。
计算标定板位姿——用PnP求解每张图的𝐓_board^camera。
求解手眼矩阵——用SVD分解求解𝐀𝐗 = 𝐗𝐁形式的方程。

💡 我的习惯： 采集时让机器人末端在视野的四个角落和中心各拍几组，再做一些绕X/Y/Z轴的旋转。这样能保证旋转分量充分激励，避免退化配置。

4.3 奇异值分解（SVD）求解

眼在手外标定最终归结为求解 𝐀𝐗 = 𝐗𝐁 形式的矩阵方程。这里 𝐀 是机器人末端位姿变换，𝐁 是标定板位姿变换，𝐗 就是我们要求的 𝐓_camera^base。

求解分两步：先解旋转，再解平移。

旋转部分：

对每组数据构造 𝐑_A · 𝐑_X = 𝐑_X · 𝐑_B，整理后得到：

𝐑_A · 𝐑_X - 𝐑_X · 𝐑_B = 0
→ (𝐑_A ⊗ 𝐈 - 𝐈 ⊗ 𝐑_B^T) · vec(𝐑_X) = 0

然后对系数矩阵做SVD：

[U, S, V] = svd(M);
R_X = reshape(V(:, end), 3, 3);
// 确保行列式为+1（旋转矩阵性质）
if det(R_X) < 0
    R_X = -R_X;
end

平移部分：

旋转解出来后，平移就简单了：

(𝐑_A - 𝐈) · 𝐭_X = 𝐑_X · 𝐭_B - 𝐭_A
→ 用最小二乘求解超定方程组

  🔑 关键点： SVD解出来的旋转矩阵可能不严格正交，需要用 R = U * V' 投影到SO(3)流形上。我早期没做这步，结果平移误差直接翻倍。

4.4 重投影误差分析

标定完不能直接拿去用，你得先验证精度。我最常用的指标就是重投影误差。

做法很简单：用标定结果把标定板角点从3D投影到2D图像，然后算投影点和实际检测点之间的像素距离。

// 伪代码
for each pose i:
    // 标定板角点在标定板坐标系下的3D坐标
    P_board = [X, Y, 0, 1]'
    
    // 转换到相机坐标系
    P_cam = inv(T_camera_base) * T_flange_base * T_board_flange * P_board
    
    // 投影到图像
    p_proj = K * [R_cam | t_cam] * P_cam
    
    // 计算误差
    error = norm(p_proj - p_detected)

我一般看两个指标：

平均重投影误差：小于0.5像素算优秀，0.5-1.0像素可接受，超过1.5像素就要排查问题了。
最大重投影误差：如果某个位姿的误差特别大，往往是那个位姿的角点检测有问题，或者机器人运动学参数有偏差。

⚠️ 避坑指南： 我曾经遇到平均误差0.3像素但实际抓取偏差很大的情况。后来发现是标定板平面度有问题——便宜的亚克力板在中间区域有0.5mm的变形。所以，标定板本身的质量也很关键。

4.5 本章知识结构

下面这张图把眼在手外标定的核心逻辑串起来了。你可以把它当作操作检查清单：

4.6 实战建议总结

最后给你几个我反复验证过的建议：

数据质量比算法重要——20组高质量数据用简单SVD解出来的结果，比10组噪声数据用各种优化算法解出来的强得多。
标定板别省钱——陶瓷或玻璃基底的标定板，平面度能到0.01mm，亚克力板可能到0.5mm。对于高精度抓取，这个差距是致命的。
每次标定完做一次验证——让机器人末端走几个已知位姿，看相机检测到的位置和实际位置偏差多少。这个偏差就是你的系统精度上限。
记录标定日志——我习惯把每次标定的重投影误差、采集位姿数量、标定板型号都记下来。出问题时翻日志，往往能快速定位原因。

眼在手外标定，说白了就是让相机和机器人「对齐坐标系」。安装扎实、数据充分、SVD解对、误差验证，这四个环节走通了，你的抓取系统就有了一个可靠的起点。