4. 手眼标定的两种经典构型：Eye-in-Hand 与 Eye-to-Hand 的定义与区别

在机器人3D视觉定位系统中，相机与机器人本体的安装方式直接决定了标定算法的数学模型与求解流程。根据相机是否随机器人末端运动，手眼标定分为两大经典构型：Eye-in-Hand（眼在手上）与Eye-to-Hand（眼在手外）。理解这两种构型的定义、坐标系关系及核心差异，是正确选择标定方案的第一步。

4.1 两种构型的定义与坐标系关系

4.1.1 Eye-in-Hand（眼在手上）

相机固定在机器人末端执行器（法兰盘）上，随机器人运动而移动。相机与末端之间保持刚性连接，其相对位姿固定不变。

• 标定目标：求解相机坐标系 {C} 与末端坐标系 {E} 之间的固定变换矩阵 X = T_{C→E}。
• 核心方程：A · X = X · B，其中 A 为机器人末端两次运动之间的位姿变换，B 为相机在两次观测中标定板位姿的变换。
• 典型应用：抓取、装配、焊缝跟踪等需要“手眼协同”的近距离操作。

4.1.2 Eye-to-Hand（眼在手外）

相机固定安装在机器人工作空间之外（如支架、天花板或地面），不随机器人运动。相机视野覆盖机器人工作区域，可同时观测机器人末端与目标物体。

• 标定目标：求解相机坐标系 {C} 与机器人基坐标系 {B} 之间的固定变换矩阵 Y = T_{C→B}。
• 核心方程：Y · A = B · Y，其中 A 为机器人末端在基坐标系下的位姿，B 为相机观测到的末端上标定板的位姿。
• 典型应用：全局定位、分拣、码垛、大范围视觉引导。

4.2 两种构型的核心区别对比

4.3 两种构型的标定流程对比

4.3.1 Eye-in-Hand 标定流程

1. 固定标定板：将标定板放置于机器人工作空间内的固定位置，确保相机可清晰观测。
2. 运动机器人：控制机器人运动到 N 个不同位姿（N ≥ 3），在每个位姿下记录：
   • 机器人末端在基坐标系下的位姿 T_{E→B}（从机器人控制器读取）。
   • 相机观测到的标定板位姿 T_{C→P}（通过PnP求解）。
3. 构造方程：利用相邻两组数据构造 A（末端运动）和 B（相机运动），代入 A·X = X·B。
4. 求解 X：使用两步法（先解旋转，再解平移）或同时求解算法，得到 X = T_{C→E}。
5. 验证：用未参与标定的位姿数据验证重投影误差。

4.3.2 Eye-to-Hand 标定流程

1. 安装标定板：将标定板固定在机器人末端执行器上。
2. 运动机器人：控制机器人运动到 N 个不同位姿，在每个位姿下记录：
   • 机器人末端在基坐标系下的位姿 T_{E→B}（从机器人控制器读取）。
   • 相机观测到的末端标定板位姿 T_{C→P}（通过PnP求解）。
3. 构造方程：利用每组数据构造 A = T_{E→B} 和 B = T_{C→P}，代入 Y·A = B·Y。
4. 求解 Y：求解 Y = T_{C→B}，即相机到机器人基座的固定变换。
5. 验证：用预留数据验证投影一致性。

4.4 选型建议与工程注意事项

选型决策要点

• 精度优先：若任务对局部定位精度要求极高（如精密装配），优先选择 Eye-in-Hand，因为相机随末端运动，可近距离观测目标。
• 视野覆盖优先：若需要全局定位或同时引导多个机器人/设备，优先选择 Eye-to-Hand，固定相机可提供稳定的全局参考。
• 环境约束：若工作空间狭窄或末端负载受限，Eye-to-Hand 可避免增加末端重量；若工作空间存在遮挡，Eye-in-Hand 可通过运动规避遮挡。
• 标定便利性：两种构型都需要高精度机器人位姿数据，但 Eye-in-Hand 的标定板固定不动，操作相对简单；Eye-to-Hand 的标定板随末端运动，需确保标定板始终在相机视野内。

数据采集避坑清单