📚 课程目录第1章眼在手上标定概述

一、眼在手上标定概述：什么是眼在手上、为什么需要标定、标定的核心目标与数学本质

先说说这个“眼在手上”到底是个什么配置。

简单讲，就是把相机固定在机器人末端法兰盘上，跟着机械臂一起动。相机和末端之间是刚性连接，相对位姿固定不变。

我刚开始接触这个术语时，觉得名字挺形象——眼睛长在手上，手往哪指，眼就往哪看。跟“眼在手外”（相机固定在工作台上方）正好相反。

眼在手上的典型场景：

你想想看，如果相机固定在天花板上，工件被机械臂挡住了怎么办？眼在手上就没有这个问题——相机跟着手走，永远能看到目标区域。

相机装上去就能用吗？当然不行。

相机看到的是像素坐标，机器人要的是世界坐标。中间差了好几个坐标系转换。我见过不少新手，装好相机就直接用像素坐标去控制机器人，结果抓了个寂寞。

标定的本质，就是建立从像素到机器人基座坐标系的完整转换链。具体来说，我们需要知道：

我曾经在一个项目里，标定完发现抓取偏差有5mm。排查了两天，最后发现是标定板贴歪了。嗯，这里要注意：标定板的平面度和平行度，直接影响标定精度。

说白了，眼在手上标定就干一件事：求出手眼矩阵 X。

这个 X 是 4×4 的齐次变换矩阵，包含旋转和平移。有了它，相机看到的任何点，都能转换到机器人末端坐标系下，再结合机器人当前位姿，就能算出在基座坐标系下的位置。

核心公式（AX = XB）：

这是眼在手上标定的数学本质。A 是机器人末端的两次运动变换，B 是相机看到的标定板两次位姿变换。求解 X 使得 AX = XB 成立。

为什么是这个形式？因为相机跟着末端走，相机看到的标定板位姿变化，和末端自身的位姿变化，通过手眼矩阵 X 耦合在一起。

我们来拆解一下这个方程。

假设机器人从位姿1运动到位姿2：

方程 AX = XB 展开后，实际上包含两个部分：

部分	含义	求解方法
旋转部分	R_A · R_X = R_X · R_B	Tsai法、Park法、四元数法
平移部分	R_A · t_X + t_A = R_X · t_B + t_X	旋转解出后，线性求解平移

我个人习惯先解旋转，再解平移。因为旋转误差会传递到平移上，旋转解准了，平移自然就准。

避坑指南：

我曾经遇到过标定数据采集了20组，解出来的X却一直在跳。后来发现是机器人运动范围太小，所有位姿几乎共线，导致旋转部分欠约束。

建议：采集数据时，让机器人末端做大幅度的旋转和移动，覆盖不同的姿态。至少采集15-20组，且姿态差异要足够大。

眼在手上标定，我一般分成三步走：

这三步环环相扣。采集不好，求解再准也没用；求解不准，验证肯定过不了。

下面这张图展示了整个标定流程的逻辑关系：

标定精度不是玄学，是可以量化的。我总结了几大影响因素：

我的经验：

标定精度最终能到多少？在良好条件下，眼在手上的标定精度可以达到0.1-0.5mm。但如果你用的是协作机器人（重复精度±0.1mm），标定精度上限就是机器人的重复精度。

别指望标定能弥补机器人的机械误差——标定只解决坐标系转换问题，不解决机器人本身的精度问题。

眼在手上标定，说白了就是求一个手眼矩阵X，让相机看到的像素坐标能准确转换到机器人基座坐标系下。核心方程是AX=XB，数据采集、求解、验证三步缺一不可。

记住一句话：标定的上限由数据质量决定，下限由求解算法决定。把采集做好，后面的事就顺了。