1. 课程导论：3D线扫相机手眼标定的定义、应用场景及课程目标
1.1 什么是3D线扫相机手眼标定？
在工业自动化与机器视觉领域，“手眼标定”是指建立机器人（手）与视觉传感器（眼）之间空间位姿关系的过程。对于3D线扫相机而言，手眼标定的核心任务是求解相机坐标系与机器人末端（或基座）坐标系之间的刚性变换矩阵（旋转矩阵 R 与平移向量 t），使得相机采集到的3D点云数据能够精确映射到机器人运动空间中。
与传统的面阵3D相机不同，线扫相机通过逐行扫描并融合编码器或运动轴的位置信息来构建三维轮廓。因此，其标定不仅涉及相机内参（光心、焦距、畸变），还涉及线激光平面方程与运动轴方向的联合标定。手眼标定则进一步将这一感知坐标系与机器人坐标系对齐。
数学本质： 求解方程
AX = XB 或 AX = ZB，其中 A 为机器人相邻位姿变换，B 为相机相邻位姿变换，X 为待求的手眼矩阵。
1.2 核心应用场景
3D线扫相机手眼标定在高端精密制造领域具有不可替代的地位，尤其在以下三大行业中得到广泛应用：
| 行业领域 | 典型应用 | 标定精度要求 | 关键挑战 |
|---|---|---|---|
| 3C电子 | 手机中框平面度检测、PCB焊点3D测量、连接器针脚共面度检测 | ±0.01 mm ~ ±0.05 mm | 产品尺寸小、反光表面多、节拍要求高 |
| 锂电制造 | 极片涂布厚度测量、电芯极耳间距检测、模组平面度与段差测量 | ±0.02 mm ~ ±0.1 mm | 极片反光/透明、产线连续运动、温度漂移 |
| 半导体封装 | 晶圆凸点高度测量、基板翘曲检测、芯片贴装偏移量检测 | ±0.005 mm ~ ±0.02 mm | 亚微米级精度、洁净环境、热膨胀补偿 |
行业趋势： 随着动力电池产能扩张与3C产品微型化，产线对在线、全检、高节拍的3D检测需求激增，手眼标定的自动化程度与鲁棒性成为系统部署的关键瓶颈。
1.3 手眼标定在检测系统中的位置
下图展示了3D线扫检测系统的典型架构，以及手眼标定模块在整个数据流中的枢纽作用：
1.4 课程目标与学习路径
本课程旨在帮助学员系统掌握3D线扫相机手眼标定的理论、方法与工程实践，具体目标如下：
- 理解核心原理： 掌握刚体变换、四元数、李群李代数、线扫成像模型等数学基础。
- 掌握标定流程： 从标定板设计、数据采集、特征提取到方程求解与误差评估的完整链路。
- 区分标定模式： 深入对比“眼在手上”（Eye-in-Hand）与“眼在手外”（Eye-to-Hand）两种构型的差异与适用场景。
- 解决工程痛点： 针对反光表面、运动同步误差、标定板加工公差等实际难题提供可落地的解决方案。
- 实现自动化标定： 设计无需人工干预的自动标定流程，提升产线部署效率。
学习前提： 建议学员具备机器人运动学基础（DH参数、正逆解）、相机成像模型（针孔模型、畸变模型）以及线性代数（矩阵运算、SVD分解）的基本知识。本课程将在第2章快速回顾这些预备知识。
1.5 课程内容概览
下表列出了本课程的主要章节及其对应的核心知识点，方便学员按需学习：
| 章节 | 主题 | 核心内容 |
|---|---|---|
| 第2章 | 预备知识与数学基础 | 刚体变换、四元数、线扫成像模型、编码器融合 |
| 第3章 | 手眼标定数学模型 | AX=XB 求解、Tsai-Lenz 算法、Park-Martin 算法 |
| 第4章 | 标定板设计与特征提取 | 3D标定板类型、角点/圆点/棋盘格提取、亚像素定位 |
| 第5章 | 眼在手上 vs 眼在手外 | 构型对比、标定流程差异、精度影响因素 |
| 第6章 | 自动化标定与误差补偿 | 自动采点策略、非线性优化、温度漂移补偿 |
| 第7章 | 工程案例与调试技巧 | 3C/锂电/半导体案例、常见故障排查 |
通过本课程的学习，学员将能够独立完成3D线扫相机与机器人系统的手眼标定工作，并具备针对复杂工业场景进行标定方案设计与优化的能力。