2. 标定数学模型：AX=XB 问题的数学推导，旋转矩阵与平移向量的解耦

好，咱们进入正题。手眼标定的核心，说白了就是一个数学问题——AX = XB。

我第一次看到这个方程时，心里想的是：“就这？一个方程能搞定机器人视觉？” 后来踩了不少坑才明白，这个方程背后藏着旋转和平移的解耦逻辑，搞不懂它，标定精度就无从谈起。

2.1 从物理场景到数学方程

先回顾一下我们的设定。机器人带着相机移动，从位置 A 到位置 B。我们记录下两次移动：

• A：机器人末端（法兰盘）从位姿 1 到位姿 2 的变换矩阵
• B：相机从位姿 1 到位姿 2 的变换矩阵
• X：我们要求的——相机到机器人末端的固定变换（手眼矩阵）

它们满足：A · X = X · B

为什么是这个形式？我习惯用一个简单的比喻：

2.2 旋转矩阵与平移向量的解耦

AX=XB 是一个 4×4 齐次矩阵方程。直接解它很麻烦。我建议的做法是——先解旋转，再解平移。

把矩阵拆开：

A = [Ra  ta]    B = [Rb  tb]    X = [Rx  tx]
    [0   1 ]        [0   1 ]        [0   1 ]

代入 AX = XB，得到两个方程：

1. 旋转部分： Ra · Rx = Rx · Rb
2. 平移部分： Ra · tx + ta = Rx · tb + tx

看到了吗？旋转方程里没有平移项。这意味着我们可以先单独求解 Rx，再代入平移方程求 tx。

2.3 旋转矩阵的求解：从李群到李代数

Ra · Rx = Rx · Rb 这个方程，在数学上称为 相似变换。直接解矩阵方程并不容易，因为旋转矩阵有正交约束（R·Rᵀ = I, det(R)=1）。

我常用的方法是转到李代数 so(3) 上求解。简单说：

• 把旋转矩阵 R 映射到旋转向量 r（轴角表示）
• 方程变成：ra + rx = rx + rb → ra - rb = 0？ 不对，这里要注意。

实际上，在 so(3) 上，方程变为：

[ra]× · rx = rx · [rb]×

其中 [·]× 是反对称矩阵。整理后得到：

( [ra]× + [rb]× ) · rx = 0

这是一个线性方程！用最小二乘法就能解出 rx。

2.4 平移向量的求解：线性最小二乘

旋转矩阵 Rx 解出来后，平移方程就简单了：

Ra · tx + ta = Rx · tb + tx
→  (Ra - I) · tx = Rx · tb - ta

这是一个关于 tx 的线性方程。多组数据联立，用最小二乘法求解：

[ Ra1 - I ]         [ Rx · tb1 - ta1 ]
[ Ra2 - I ] · tx =  [ Rx · tb2 - ta2 ]
[ ...     ]         [ ...            ]

2.5 知识结构总览

下面这张图总结了 AX=XB 的完整求解流程：

2.6 常见方法对比

市面上求解 AX=XB 的方法很多，我整理了一个对比表：

方法	核心思路	优点	缺点
Tsai 两步法	先解旋转，再解平移	计算简单，稳定	需要至少两组非平行运动
李代数法	转到 so(3) 线性求解	可处理多组数据，精度高	需要理解李群概念
四元数法	用四元数表示旋转	避免万向锁	四元数约束处理稍复杂
同时求解法	非线性优化同时解 R,t	理论上最优	容易陷入局部最优，慢

2.7 避坑指南

最后，分享几个我踩过的坑：

• 数据质量比算法更重要——再好的算法，输入垃圾数据，输出也是垃圾。我见过有人用 3 组数据就跑标定，结果误差 5 毫米。
• 运动幅度要足够大——旋转角度至少 30° 以上，平移距离至少 100mm。小幅度运动会导致方程病态。
• 多组数据要分散——不要只在同一个区域采集，让机器人走到工作空间的不同位置。
• 验证环节不能省——标定完成后，用一组独立数据验证，看重投影误差是否在容忍范围内。