1. 课程导论：Eye-to-Hand 标定定义、应用场景与学习路径
1.1 什么是 Eye-to-Hand 标定？
在机器人视觉系统中，Eye-to-Hand（眼在手外） 是一种将相机固定安装在机器人工作空间之外（如天花板、支架或地面）的视觉配置。相机从外部观察机器人末端执行器及目标物体，通过标定过程求解相机坐标系与机器人基坐标系之间的刚性变换关系。
与 Eye-in-Hand（眼在手上） 不同，Eye-to-Hand 的相机不随机器人运动，视野固定，适合大范围、高稳定性的视觉引导任务。
核心标定目标： 求解 4×4 齐次变换矩阵
𝐓cam→base，将相机坐标系下观测到的物体位姿转换到机器人基坐标系，从而驱动机器人精确抓取或操作。
1.2 应用场景
| 场景 | 典型任务 | Eye-to-Hand 优势 |
|---|---|---|
| 工业机械臂抓取 | 传送带上随机来料抓取、码垛、分拣 | 相机固定，视野稳定，不受机械臂运动抖动影响 |
| 移动机器人导航 | AGV/AMR 视觉定位、停靠、对接 | 外部相机提供全局参考，消除里程计累积误差 |
| 质量检测与装配 | 零件尺寸测量、精密装配对位 | 相机与机器人分离，便于多角度检测 |
| 协作机器人工作站 | 人机协作场景下的视觉引导 | 安全距离外安装，不干扰人机交互 |
1.3 Eye-to-Hand vs Eye-in-Hand 对比
| 对比维度 | Eye-to-Hand（眼在手外） | Eye-in-Hand（眼在手上） |
|---|---|---|
| 相机安装位置 | 固定于工作空间外部 | 固定于机器人末端 |
| 视野范围 | 固定、全局视野 | 随末端移动，局部视野 |
| 标定目标 | 相机 → 机器人基坐标系 | 相机 → 机器人末端坐标系 |
| 对机械臂运动影响 | 无影响 | 末端负载增加，可能影响精度 |
| 典型标定方程 | 𝐓cam→base · 𝐓obj→cam = 𝐓base→end · 𝐓end→obj |
𝐓end→cam · 𝐓obj→cam = 𝐓end→obj |
1.4 标定流程概览
- 准备标定板：使用棋盘格或圆点阵列标定板，固定于机器人末端。
- 采集数据：控制机器人运动到多个不同位姿，记录机器人关节角度/末端位姿，同时拍摄标定板图像。
- 提取角点：从图像中提取标定板角点像素坐标。
- 求解变换矩阵：利用
𝐓cam→base的线性或非线性优化方法求解。 - 精度验证：使用独立测试位姿评估重投影误差或抓取精度。
1.5 课程目标
- 理解原理：掌握 Eye-to-Hand 标定的数学模型、坐标系变换链及求解方法。
- 动手实战：使用真实机器人（如 UR5、ABB）与相机（如 Intel RealSense、Basler）完成完整标定流程。
- 精度验证：学会使用重投影误差、抓取成功率、重复定位精度等指标评估标定质量。
- 工程落地：掌握标定过程中的常见问题（如退化姿态、标定板遮挡、畸变影响）及解决方案。
1.6 学习路径
| 阶段 | 章节 | 核心内容 |
|---|---|---|
| 基础理论 | 2~5 章 | 坐标系变换、相机模型、手眼标定方程推导 |
| 实战操作 | 6~10 章 | 标定板制作、数据采集、代码实现（Python/C++） |
| 精度验证 | 11~15 章 | 误差分析、验证实验、标定结果优化 |
| 进阶专题 | 16~20 章 | 多相机标定、移动机器人标定、在线标定 |
| 综合项目 | 21~30 章 | 完整抓取系统搭建、精度竞赛、工程部署 |
学习建议： 本课程强调理论与实践结合。建议在学习每章理论后，立即在仿真或真实机器人上运行配套代码。标定精度往往取决于数据质量，而非算法复杂度。