📚 课程目录第1章课程导论

1. 课程导论：手眼标定在工业机器人中的核心作用，OpenCV与Halcon的生态对比，课程目标与学习路径

在工业自动化场景中，机器人需要精确抓取、装配或焊接工件。然而，机器人的“眼睛”（相机）与“手”（末端执行器）位于不同的坐标系中。手眼标定的核心任务就是求解相机坐标系与机器人坐标系之间的空间变换关系（旋转矩阵 R 与平移向量 t），使得视觉系统检测到的目标位置能够被机器人准确到达。

  核心公式： 手眼标定本质是求解 AX = XB 矩阵方程，其中 A 为机器人末端位姿变换，B 为相机观测到的标定板位姿变换，X 为待求的手眼矩阵。

手眼标定直接影响以下工业指标：

模式	相机安装位置	标定方程	典型应用
Eye-to-Hand	固定于工作台上方	相机 → 机器人基座	大范围分拣、码垛
Eye-in-Hand	固定在机器人末端	相机 → 机器人末端	精密装配、焊缝跟踪

选型建议： 当工件位置固定且视野较大时，优先选择 Eye-to-Hand；当需要近距离、多角度观察时，Eye-in-Hand 更具灵活性。

OpenCV 与 Halcon 是工业视觉领域最主流的两个开发平台，它们在手眼标定任务中的定位差异显著：

对比维度	OpenCV	Halcon
许可证	BSD 开源免费	商业授权（按节点收费）
标定核心函数	`calibrateCamera()` + `solvePnP()` + 手眼方程求解	`calibrate_cameras()` + `hand_eye_calibration()`
标定精度（典型值）	0.5 ~ 2.0 mm（依赖标定板质量）	0.1 ~ 0.5 mm（内置亚像素优化）
标定板支持	棋盘格、圆点阵、ChArUco	棋盘格、圆点阵、编码标定板
二次开发灵活性	极高（C++/Python 源码级修改）	中等（HDevelop 脚本 + C++/C# 导出）
工业部署成熟度	中等（需自行封装异常处理）	高（内置错误码与日志系统）

注意： Halcon 的标定算子虽然精度更高，但依赖其专有的标定板描述文件（.descr）；OpenCV 则更依赖标定板物理尺寸的精确测量。两者在畸变校正模型上也有差异（OpenCV 使用径向+切向模型，Halcon 使用除法模型+多项式模型）。

本课程旨在帮助学员掌握两种平台下的手眼标定全流程，并能够根据项目需求做出合理的技术选型。

理解原理： 透彻掌握坐标系变换、AX=XB 求解、Tsai 法与 Park 法。
实战编码： 分别使用 OpenCV（Python/C++）与 Halcon（HDevelop）完成 Eye-to-Hand 与 Eye-in-Hand 标定。
精度分析： 学会评估标定误差，并针对不同场景优化标定流程。
选型决策： 根据预算、精度要求、开发周期选择合适平台。