3. 标定软件环境搭建：OpenCV安装、机器人SDK配置、Python环境与依赖库准备

Eye-to-Hand 标定系统的软件环境是连接视觉算法与机器人控制的桥梁。本章将指导你从零搭建一套完整、可复现的开发环境，涵盖 Python 虚拟环境、OpenCV 编译安装、机器人 SDK 配置以及核心依赖库的管理。一个干净、版本可控的环境能避免 90% 的标定调试陷阱。

3.1 环境总览与版本选型

在开始安装前，建议统一以下核心组件的版本组合，以规避已知的 API 不兼容问题：

3.2 Python 虚拟环境与基础依赖

使用 venv 或 conda 创建隔离环境，避免系统级 Python 包冲突。

# 使用 venv（推荐轻量场景）
python -m venv eye2hand_env
source eye2hand_env/bin/activate   # Linux / macOS
eye2hand_env\Scripts\activate      # Windows

# 使用 conda（推荐多版本 CUDA 场景）
conda create -n eye2hand python=3.10
conda activate eye2hand

安装基础数值与可视化库：

pip install numpy==1.24.3 scipy==1.10.1 matplotlib==3.7.2
pip install jupyterlab ipywidgets   # 可选，用于交互式调试

3.3 OpenCV 编译安装（含 contrib 模块）

Eye-to-Hand 标定依赖 cv2.aruco 和 cv2.calibrateHandEye，这些函数在 OpenCV 的 contrib 模块中。推荐从源码编译以获得最佳性能与功能完整性。

3.3.1 下载源码与准备编译工具

# 下载 OpenCV 与 contrib（版本号必须一致）
wget -O opencv-4.8.0.zip https://github.com/opencv/opencv/archive/4.8.0.zip
wget -O opencv_contrib-4.8.0.zip https://github.com/opencv/opencv_contrib/archive/4.8.0.zip
unzip opencv-4.8.0.zip
unzip opencv_contrib-4.8.0.zip

安装编译依赖（Ubuntu 20.04 / 22.04 示例）：

sudo apt update
sudo apt install build-essential cmake git pkg-config
sudo apt install libjpeg-dev libtiff5-dev libpng-dev
sudo apt install libavcodec-dev libavformat-dev libswscale-dev
sudo apt install libgtk2.0-dev libcanberra-gtk-module
sudo apt install libeigen3-dev   # 强烈推荐，提升矩阵运算性能

3.3.2 CMake 配置与编译

cd opencv-4.8.0
mkdir build && cd build

cmake -D CMAKE_BUILD_TYPE=RELEASE \
      -D CMAKE_INSTALL_PREFIX=/usr/local \
      -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib-4.8.0/modules \
      -D WITH_EIGEN=ON \
      -D WITH_TBB=ON \
      -D WITH_V4L=ON \
      -D BUILD_opencv_python3=ON \
      -D PYTHON3_EXECUTABLE=$(which python) \
      -D PYTHON3_INCLUDE_DIR=$(python -c "from sysconfig import get_path; print(get_path('include'))") \
      -D PYTHON3_PACKAGES_PATH=$(python -c "from sysconfig import get_path; print(get_path('purelib'))") \
      ..

# 使用多核编译（根据 CPU 核心数调整）
make -j$(nproc)
sudo make install

3.3.3 验证安装

python -c "import cv2; print(cv2.__version__); print(cv2.getBuildInformation())"

确认输出中包含 aruco 模块和 Eigen 支持。

3.4 机器人 SDK 配置

机器人 SDK 负责从控制器读取当前位姿（位置 + 姿态），并下发运动指令。不同品牌机器人的 SDK 差异较大，但配置逻辑一致：建立通信通道 → 解析位姿数据 → 封装为标定接口。

3.4.1 常见机器人 SDK 选型

3.4.2 UR 机器人 SDK 配置示例（ur_rtde）

Universal Robots 的 RTDE 接口是标定场景中最易用的方案之一，可直接读取关节角度、TCP 位姿和状态信息。

# 安装 ur_rtde
pip install ur-rtde

# 测试连接与读取位姿
from rtde_control import RTDEControlInterface
from rtde_receive import RTDEReceiveInterface

ROBOT_IP = "192.168.1.10"   # 替换为实际控制器 IP

rtde_c = RTDEControlInterface(ROBOT_IP)
rtde_r = RTDEReceiveInterface(ROBOT_IP)

# 读取当前 TCP 位姿（x, y, z, rx, ry, rz）
actual_tcp = rtde_r.getActualTCPPose()
print("TCP Pose:", actual_tcp)

# 读取关节角度（用于正运动学验证）
actual_q = rtde_r.getActualQ()
print("Joint angles:", actual_q)

3.5 标定专用依赖库

除 OpenCV 和机器人 SDK 外，以下库在标定数据处理、可视化与精度评估中不可或缺：

• transforms3d：旋转矩阵、四元数、轴角之间的互转，比手写更可靠。
• pytransform3d：提供完整的刚体变换链，支持 SE(3) 插值与误差可视化。
• matplotlib + mpl_toolkits.mplot3d：绘制标定板位姿、机器人 TCP 轨迹、重投影误差散点图。
• scipy.optimize：用于标定结果的后优化（如非线性最小二乘精化）。

pip install transforms3d pytransform3d matplotlib scipy

3.6 环境验证脚本

搭建完成后，运行以下脚本快速验证所有组件是否就绪：

import numpy as np
import cv2
import transforms3d as t3d
from scipy.linalg import logm

# 1. 验证 OpenCV 版本与模块
print(f"OpenCV version: {cv2.__version__}")
assert hasattr(cv2, 'aruco'), "aruco 模块缺失！"
assert hasattr(cv2, 'calibrateHandEye'), "calibrateHandEye 缺失！"

# 2. 验证 NumPy 矩阵运算
R = t3d.quaternions.quat2mat([1, 0, 0, 0])
t = np.array([0.1, 0.2, 0.3])
T = np.eye(4)
T[:3, :3] = R
T[:3, 3] = t
print(f"齐次矩阵构建成功，形状: {T.shape}")

# 3. 验证机器人 SDK（以 UR 为例）
try:
    from rtde_receive import RTDEReceiveInterface
    print("ur_rtde 导入成功")
except ImportError:
    print("ur_rtde 未安装，请检查机器人 SDK 配置")

print("环境验证通过！")

3.7 常见问题与排错

完成以上步骤后，你的标定软件环境已具备运行 Eye-to-Hand 标定算法所需的所有能力。下一阶段将进入标定板设计与相机内参标定环节。