1. 课程导论：3D视觉定位与手眼标定的行业背景、应用场景及课程目标
1.1 行业背景：从“机器换人”到“智能感知”
在工业4.0与智能制造浪潮下，传统工业机器人正从“示教-再现”的固定轨迹模式，向具备环境感知与自主决策能力的智能机器人演进。3D视觉定位与手眼标定技术，正是打通机器人“眼睛”（3D相机）与“手”（机械臂）之间空间坐标映射的核心桥梁。
当前行业面临的核心痛点包括：
- 工件一致性差：注塑件、铸件、钣金件存在尺寸公差与随机摆放姿态，2D视觉无法提供完整6D位姿。
- 产线换型频繁：小批量多品种生产要求机器人快速适应新工件，传统机械定位工装成本高、柔性低。
- 高精度装配需求：精密零部件（如手机中框、汽车动力电池模组）的装配间隙要求达到±0.1mm甚至更高。
- 复杂环境干扰：光照变化、反光、粉尘、振动等恶劣工况对视觉系统的鲁棒性提出严苛要求。
关键数据：据行业报告，2025年全球3D机器视觉市场规模预计突破100亿美元，其中手眼标定相关解决方案占比超过35%，是机器人智能化升级的关键技术栈。
1.2 核心应用场景
3D视觉定位与手眼标定技术已广泛渗透至以下典型工业场景：
| 应用场景 | 典型工艺 | 视觉任务 | 精度要求 |
|---|---|---|---|
| 无序抓取 | 料框抓取、码垛拆垛 | 点云分割、6D位姿估计 | ±1~3 mm |
| 精密装配 | 轴孔配合、齿轮啮合 | 高精度定位、对中引导 | ±0.05~0.2 mm |
| 弧焊/点焊 | 焊缝寻位、钣金搭接 | 焊缝特征提取、轨迹修正 | ±0.5~1 mm |
| 涂胶/密封 | 挡风玻璃涂胶、电池包密封 | 3D轮廓跟踪、胶路引导 | ±0.3~0.5 mm |
| 检测/测量 | 尺寸测量、形位公差检测 | 高精度点云配准、偏差计算 | ±0.01~0.1 mm |
实战提示：在汽车白车身焊接产线中，3D视觉引导机器人抓取侧围外板时，手眼标定误差需控制在0.3mm以内，否则会导致焊点偏移、飞溅增加，甚至撞枪事故。
1.3 手眼标定的核心概念与分类
手眼标定本质是求解相机坐标系与机器人末端（或基座）坐标系之间的刚体变换矩阵（旋转矩阵R + 平移向量t）。根据相机安装方式，分为两大经典构型：
- Eye-to-Hand（眼在手外）：相机固定安装于机器人工作空间上方或侧方，不随机器人运动。标定目标：求解相机坐标系 → 机器人基座坐标系的变换矩阵。
- Eye-in-Hand（眼在手上）：相机安装于机器人末端法兰盘上，随机器人一起运动。标定目标：求解相机坐标系 → 机器人末端坐标系的变换矩阵。
1.4 课程目标与学习路径
本课程旨在帮助学员系统掌握3D视觉定位与手眼标定的完整技术栈，从数学原理到工程落地，覆盖以下核心能力：
- 理解坐标系变换数学基础：刚体变换、四元数、李群李代数、奇异值分解（SVD）。
- 掌握手眼标定核心算法：Tsai两步法、Park法、非线性优化法，以及Eye-to-Hand与Eye-in-Hand的标定流程差异。
- 熟悉3D视觉传感器选型：结构光、双目立体、ToF、激光轮廓仪的原理与适用场景。
- 具备实战标定能力：使用真实机器人（如UR、ABB、KUKA）与3D相机（如Ensenso、Photoneo、LMI）完成标定数据采集、求解与精度验证。
- 掌握标定误差分析与补偿：识别标定板角点提取误差、机器人运动学误差、相机内参误差等来源，并实施补偿策略。
常见误区警示：很多初学者误以为手眼标定只需运行一次算法即可永久使用。实际上，机器人碰撞、相机松动、温度变化等都会导致标定参数漂移。建议产线每3~6个月或更换工装后重新标定，并建立标定参数版本管理机制。
1.5 课程知识体系总览
本课程共30章，按“基础理论 → 算法原理 → 传感器选型 → 实战案例 → 精度优化”五阶段递进展开：
1.6 学习预备知识
为获得最佳学习效果，建议学员具备以下基础：
| 知识领域 | 具体要求 | 推荐参考 |
|---|---|---|
| 线性代数 | 矩阵乘法、逆矩阵、特征值分解、SVD | 《线性代数及其应用》 |
| 机器人学基础 | DH参数、正逆运动学、齐次变换矩阵 | 《机器人学导论》Craig |
| 编程能力 | Python/C++基础，OpenCV/PCL基本使用 | OpenCV官方教程 |
| 相机成像原理 | 针孔模型、畸变模型、深度图/点云概念 | 《Multiple View Geometry》 |
学习建议：本课程每章均提供可运行的Python/ROS示例代码与仿真环境（基于CoppeliaSim或Gazebo），建议学员边学边练，在仿真中验证算法后再迁移至真实机器人。