4、标定板与标定物设计：棋盘格、圆点阵、ArUco码的选择与制作

标定板这东西，说白了就是给相机看的“尺子”。你尺子不准，后面所有算法都是白搭。我见过太多项目，算法调了几个月，最后发现是标定板打印尺寸差了0.5mm——嗯，那种感觉，真的很崩溃。

这一章咱们就聊聊三种主流标定物：棋盘格、圆点阵、ArUco码。怎么选、怎么做、精度怎么控，一次说清楚。

4.1 三种标定物的核心差异

先看一张对比表，心里有个底：

类型	检测原理	亚像素精度	鲁棒性	适用场景
棋盘格	角点检测（Harris/Shi-Tomasi）	高（0.1~0.3 pixel）	中等（受光照影响大）	单目/双目内参标定
圆点阵	椭圆拟合 + 质心提取	极高（0.05~0.1 pixel）	高（抗模糊、抗畸变）	高精度手眼标定、大畸变镜头
ArUco码	二进制编码 + 透视变换	中等（0.3~0.5 pixel）	极高（部分遮挡仍可识别）	动态标定、多板协同、位姿估计

4.2 棋盘格：经典但别踩坑

棋盘格是最常见的标定板。为什么？因为角点检测算法成熟，OpenCV里直接调 cv::findChessboardCorners 就行。

但有几个坑，我一个个说：

• 格子数量要奇数×偶数：比如9×6、7×5。这样棋盘才有唯一朝向，不然算法会搞混方向。
• 边框留白：至少留一个格子的宽度。我见过有人把格子画到纸边，结果边缘角点检测不出来。
• 打印精度：别用普通A4纸。热胀冷缩太明显了。我建议用PVC板或铝板覆亚光膜，尺寸稳定。

4.3 圆点阵：高精度的代价

圆点阵的精度比棋盘格高一个量级。为什么？因为椭圆拟合可以做到亚像素级别，而且圆点中心对畸变不敏感。

但圆点阵也有自己的脾气：

• 圆心距要大于2倍半径：不然相邻圆点会粘连，检测时容易误判。
• 非对称排列：比如5行×7列，但其中一行少一个点。这样算法才能知道方向。
• 背景要纯白：圆点必须是黑色，背景白色。灰度反差越大，椭圆拟合越准。

我个人习惯用圆点阵做手眼标定。因为机械臂运动时会有振动，棋盘格角点容易模糊，但圆点阵的椭圆拟合依然稳定。

4.4 ArUco码：动态场景的救星

ArUco码本质上是一堆黑白方块组成的二维码。每个码有唯一的ID，相机识别后可以直接算出位姿。

它的优势很明显：

• 单板即可标定：不需要拍多张图，一个ArUco码就能解出外参。
• 部分遮挡也能用：只要看到超过一半的码，就能恢复完整位姿。
• 多板协同：可以在场景里贴多个ArUco码，同时标定多个相机。

但要注意，ArUco码的精度不如圆点阵。如果你需要0.1mm级别的标定精度，还是老老实实用圆点阵。

4.5 标定物精度对结果的影响

这个问题，我直接给数据：

标定板误差	内参焦距误差	外参平移误差	外参旋转误差
0.1 mm	0.3%	0.2 mm	0.05°
0.5 mm	1.5%	1.0 mm	0.25°
1.0 mm	3.0%	2.0 mm	0.5°

你看，标定板误差从0.1mm放大到1mm，外参平移误差直接翻了10倍。在抓取场景里，1mm的误差可能就让机械臂抓空。

所以我的原则是：标定板的加工精度，至少要比你期望的最终精度高一个数量级。比如你要做±0.5mm的抓取，标定板精度至少0.05mm。

4.6 标定物设计流程

下面这张图是我自己总结的设计流程，照着走基本不会出错：

4.7 制作与验证清单

最后，给一份我每次做标定板都会检查的清单：

1. 尺寸测量：用游标卡尺量3次，取平均值。格子边长误差控制在±0.02mm以内。
2. 平面度检查：把标定板放在平台上，用塞尺检查翘曲。翘曲超过0.1mm就要重做。
3. 反光测试：在强光下看有没有反光点。亚光膜是最好的选择。
4. 软件验证：拍一张图，用OpenCV检测角点/圆心，看重投影误差。误差超过0.5 pixel就说明板子有问题。

标定物选对了、做准了，后面所有工作才有意义。别在这步省时间——省下的时间，后面会加倍还给你。