1. 课程概述：Eye-in-Hand 系统定义、应用场景与学习路径
1.1 什么是 Eye-in-Hand 系统？
Eye-in-Hand（眼在手上）是机器人视觉伺服中最经典的传感器配置方式之一。其核心特征是将视觉传感器（通常是 2D/3D 相机）刚性固定在机器人末端执行器（法兰盘）上，使相机随机械臂一起运动。
与 Eye-to-Hand（眼在手外）系统相比，Eye-in-Hand 具有以下关键特性：
| 对比维度 | Eye-in-Hand（眼在手上） | Eye-to-Hand（眼在手外） |
|---|---|---|
| 相机安装位置 | 固定在机器人末端法兰盘 | 固定在工作空间外部（支架/天花板） |
| 视野特性 | 随机械臂移动，视野动态变化，可近距离观察目标 | 视野固定，覆盖整个工作空间，但可能存在遮挡 |
| 标定目标 | 求解相机坐标系 → 末端坐标系 的变换矩阵 | 求解相机坐标系 → 机器人基坐标系 的变换矩阵 |
| 典型应用 | 精密抓取、装配、焊缝跟踪、缺陷检测 | 码垛、分拣、大范围定位、安全监控 |
| 优势 | 无遮挡问题，可逼近目标获取高精度图像 | 标定一次即可，不占用末端负载 |
| 劣势 | 增加末端负载，标定精度直接影响抓取精度 | 易被机械臂自身遮挡，视野受限 |
核心定义： Eye-in-Hand 标定的本质是求解一个 4×4 齐次变换矩阵
camTend（或 X），该矩阵描述了相机坐标系与机器人末端法兰盘坐标系之间的刚性变换关系。这个矩阵是连接“视觉感知”与“机器人运动”的桥梁。
1.2 典型应用场景
Eye-in-Hand 配置在工业自动化中应用广泛，以下三个场景最具代表性：
- 工业抓取（Bin Picking / 料箱抓取）： 相机随机械臂靠近料箱，从不同角度拍摄散乱工件，通过视觉算法计算抓取位姿。Eye-in-Hand 可有效避免料箱壁对视野的遮挡。
- 精密装配： 在轴孔装配、齿轮啮合等任务中，相机可贴近配合面，检测亚毫米级的相对位姿偏差，引导机器人进行柔顺校正。
- 高速分拣： 在传送带动态分拣中，相机跟随机械臂运动，对运动中的目标进行“动态跟踪抓取”，减少传送带停歇时间。
1.3 课程目标
完成本课程后，学员将具备以下能力：
- 理解原理： 掌握 Eye-in-Hand 标定的数学模型（AX = XB 问题）、手眼方程推导及非线性优化方法。
- 独立标定： 能够使用棋盘格/圆点阵标定板，采集多组机器人位姿与图像数据，完成完整的标定流程。
- 计算抓取位姿： 基于标定结果，将视觉检测到的目标位姿转换到机器人基坐标系，生成可执行的抓取路径点。
- 工程落地： 掌握标定精度评估方法、常见误差来源及补偿策略，能够处理实际产线中的标定失效问题。
学习建议： 本课程包含大量数学推导和代码实践。建议学员提前熟悉齐次变换矩阵、四元数、李群李代数基础，并准备好 Python + OpenCV + 机器人仿真环境（如 CoppeliaSim 或 ROS + Gazebo）。
1.4 学习路径与章节地图
课程共分为 6 个模块，30 个章节，建议按以下路径循序渐进：
| 模块 | 章节范围 | 核心内容 | 学习时长（参考） |
|---|---|---|---|
| 基础篇 | 第 1-5 章 | 坐标系变换、齐次矩阵、四元数、机器人运动学基础 | 4-6 小时 |
| 标定原理篇 | 第 6-12 章 | 手眼方程推导、Tsai-Lenz 法、Park-Martin 法、非线性优化 | 6-8 小时 |
| 标定实践篇 | 第 13-18 章 | 标定板设计、数据采集、OpenCV 实现、精度验证 | 6-8 小时 |
| 抓取位姿计算篇 | 第 19-24 章 | 视觉检测、位姿转换、抓取规划、碰撞避免 | 5-7 小时 |
| 进阶与优化篇 | 第 25-28 章 | 在线标定、手眼自标定、多相机融合、深度学习辅助 | 4-6 小时 |
| 综合实战篇 | 第 29-30 章 | 完整项目：从标定到抓取的全流程实现与调试 | 4-5 小时 |
重要提示： 标定精度是 Eye-in-Hand 系统的生命线。即使后续抓取算法再优秀，如果标定矩阵存在 1mm 或 0.5° 的误差，精密抓取任务（如轴孔装配）仍可能失败。请务必重视标定环节的数据质量与验证步骤。