4、手眼标定核心概念：眼在手上（Eye-in-Hand）与眼在手外（Eye-to-Hand）

手眼标定是机器人视觉引导系统中连接“感知坐标系”与“操作坐标系”的关键桥梁。无论是3D视觉引导抓取、装配，还是焊接、打磨，系统都必须回答一个根本问题：相机看到的物体位置，在机器人基坐标系下到底在哪里？这个问题的答案，直接决定了机器人能否准确地将工具移动到目标点。本章将深入剖析两种主流手眼配置——眼在手上（Eye-in-Hand，简称EIH）与眼在手外（Eye-to-Hand，简称ETH）——的定义、核心差异、适用场景，并推导其标定方程，帮助读者建立清晰、可工程化的坐标系变换思维。

上图直观地展示了两者的核心差异：在眼在手上配置中，相机“跟随”机械臂末端运动，标定板固定在工作空间；而在眼在手外配置中，相机固定安装，标定板则安装在机械臂末端。这种物理安装方式的不同，直接导致了标定方程形式、求解目标以及应用场景的显著区别。下面我们将逐一展开。

4.1 核心原理：坐标系变换的本质

手眼标定的本质是求解一个齐次变换矩阵，该矩阵将一个坐标系中的点坐标转换到另一个坐标系。在机器人视觉引导中，至少涉及四个关键坐标系：机器人基坐标系（Base，记为B）、机械臂末端坐标系（End，记为E）、相机坐标系（Camera，记为C）以及标定板/工件坐标系（Object，记为O）。手眼标定的目标，就是通过一系列已知的机械臂运动（T_ij）和相机观测（M_ij），解算出相机与机械臂末端（EIH）或相机与机器人基座（ETH）之间的固定变换关系。

核心公式：对于眼在手上配置，设 X = T_Cam2End（相机坐标系到末端坐标系的变换），则标定方程可写为 T_ij · X = X · M_ij，即经典的 AX = XB 问题。对于眼在手外配置，设 Z = T_Cam2Base（相机坐标系到基坐标系的变换），则方程为 T_ij · Z = Z · M_ij，即 AX = ZB 问题。其中 T_ij 是机械臂从位姿 i 到位姿 j 的齐次变换矩阵，M_ij 是相机观测到的标定板从位姿 i 到位姿 j 的齐次变换矩阵。

理解这个方程的关键在于：机械臂的运动信息（T_ij）来自机器人控制器，而视觉观测信息（M_ij）来自相机对固定标定板的位姿估计。通过多次改变机械臂姿态并记录对应的视觉观测，我们可以构建足够多的方程来求解未知的 X 或 Z。值得注意的是，这里的“标定板”可以是棋盘格、圆点阵列或任何具有明确特征点的平面靶标，其作用是为相机提供已知的几何参考。

4.2 判断方法与操作流程：如何选择与实施

在实际项目中，选择眼在手上还是眼在手外，需要根据任务需求、现场布局和精度要求综合判断。以下是具体的判断维度和实施流程。

判断维度	眼在手上（EIH）	眼在手外（ETH）
视野范围	视野随机械臂移动，可“走近”观察，适合大范围或遮挡多的场景	视野固定，适合工作区域集中、目标位置相对固定的场景
精度影响	相机离目标近，分辨率高，但机械臂振动可能影响成像	相机离目标远，分辨率相对低，但成像稳定
标定复杂度	标定板固定，操作相对简单，但需保证标定板在视野内	标定板装在末端，需确保运动轨迹不超出视野
典型应用	移动抓取、装配、焊接、喷涂等需要“跟随”目标的场景	固定工位上下料、码垛、分拣、检测等场景

操作流程（以眼在手上为例）：

固定标定板：将标定板稳固地放置在工作空间内，确保其在机械臂运动过程中始终可见。
记录机械臂位姿：手动或自动控制机械臂运动到至少 15~20 个不同姿态，记录每个姿态下的末端位姿（T_End2Base）。
采集图像并估计标定板位姿：在每个姿态下，使用相机拍摄标定板图像，通过图像处理算法（如OpenCV的solvePnP）估计标定板在相机坐标系下的位姿（T_Obj2Cam）。
构建方程并求解：利用相邻两组数据计算 T_ij 和 M_ij，代入 AX = XB 方程，使用Tsai-Lenz或Park-Martin等经典算法求解 X。
验证精度：将求解出的 X 代入其他未参与计算的位姿数据，计算重投影误差或坐标变换误差，确保标定精度满足项目要求。

经验提醒：在采集数据时，应尽量让机械臂的姿态变化多样化，避免所有姿态都集中在同一平面或同一旋转方向。姿态差异越大，方程组的条件数越好，求解结果越稳定。通常建议旋转角度差异超过30度，平移差异超过50mm。

4.3 案例拆解：3D视觉引导的PCB板精准插装

下面通过一个实际项目案例，展示眼在手上配置在3D视觉引导插装任务中的应用与标定实施细节。

项目背景与约束：某电子制造工厂需要实现异形元件（如连接器、电解电容）的自动插装。来料位于料盘内，位置存在±2mm的随机偏差，且料盘尺寸较大（400mm×300mm），机械臂需要从不同角度接近取料点。由于元件引脚脆弱，要求视觉定位精度优于±0.3mm。现场无法安装固定相机（因为料盘会移动），因此选择眼在手上（EIH）配置，将3D相机安装在机械臂末端。

初始现象与目标：未标定时，机械臂根据示教位置抓取，成功率仅为60%，经常因位置偏差导致引脚弯曲。目标是通过手眼标定，使视觉系统引导机械臂准确抓取任意位置的元件，抓取成功率提升至99%以上。

关键输入数据与参数：

机器人：六轴工业机器人，重复定位精度±0.02mm。
相机：结构光3D相机，分辨率1280×1024，Z轴精度±0.05mm@300mm。
标定板：100mm×100mm陶瓷棋盘格，方格边长5mm，精度±0.01mm。
采集数据：共采集25组机械臂位姿与对应的标定板图像。

分析判断过程：首先，我们使用OpenCV的calibrateCamera函数对相机内参进行标定，得到焦距、主点及畸变系数。然后，对于每组数据，利用solvePnP求解标定板在相机坐标系下的位姿。接着，从机器人控制器读取对应的末端位姿。最后，将25组数据分为两组：20组用于求解，5组用于验证。使用Tsai-Lenz算法求解得到相机到末端的变换矩阵X。

实际操作步骤与结果：

// 伪代码示例：求解AX=XB
for i in range(20):
    A_i = inv(T_end2base[i]) * T_end2base[i+1]  // 机械臂运动
    B_i = inv(T_obj2cam[i]) * T_obj2cam[i+1]    // 标定板运动
    // 构建线性方程组，求解旋转部分R_X
    // 再求解平移部分t_X
X = solve_ax_xb(A_list, B_list)
// 验证：计算5组验证数据的重投影误差
error = compute_reprojection_error(X, validation_data)
print("平均重投影误差: 0.18mm")

标定完成后，我们在5组验证数据上计算了重投影误差，平均误差为0.18mm，最大误差0.25mm，满足±0.3mm的精度要求。实际抓取测试中，连续抓取200个元件，成功198个，成功率99%，且未发生引脚弯曲。相比标定前，抓取成功率提升了39个百分点。

风险与代价：标定过程耗时约40分钟，且需要停机进行。此外，由于相机随机械臂运动，线缆管理需要特别注意，避免在运动过程中拉扯相机线缆导致标定结果失效。后期我们增加了线缆拖链和固定支架，有效规避了该风险。

复盘经验：眼在手上配置的标定精度高度依赖于机械臂的绝对定位精度。如果机械臂存在较大的绝对定位误差，即使标定算法再精确，最终引导精度也会受限。因此，在项目初期应对机械臂进行绝对精度补偿，或选择重复定位精度高的机器人。

4.4 常见误区与总结复盘

在手眼标定的实施过程中，工程师常会遇到一些典型问题，以下是最常见的误区及应对策略。

误区一：忽略相机内参标定。手眼标定是外参标定，其输入是相机解算出的标定板位姿。如果相机内参（焦距、畸变）不准确，那么solvePnP解算出的位姿本身就存在偏差，后续的手眼标定结果必然不准确。务必先进行精确的内参标定，并定期校验。

误区二：数据采集姿态单一。如果机械臂的运动主要是平移，而旋转变化很小，那么方程组的约束不足，求解出的旋转矩阵X可能陷入局部最优或病态解。应确保姿态变化覆盖多个旋转轴。

误区三：标定板平面度不足。对于3D相机或高精度2D相机，标定板的平面度误差会直接影响位姿估计精度。建议使用陶瓷或玻璃基板，避免使用易变形的纸质标定板。

总结复盘：手眼标定的核心在于理解坐标系变换的闭环。无论是EIH还是ETH，其本质都是通过机械臂的运动信息与视觉观测信息之间的约束关系，求解出未知的固定变换。在实际工程中，选择哪种配置，不仅要看视野和精度，还要考虑现场布局、线缆管理、维护便利性等因素。下表总结了两种配置的最终适用建议：

场景特征	推荐配置	理由
目标物位置不固定，机械臂需主动搜索	眼在手上	相机可随动，视野灵活
工作区域固定，节拍要求高	眼在手外	无需移动相机，成像快，稳定性好
对Z轴高度测量精度要求极高	眼在手上	相机可近距离垂直观察，测量精度更高
现场粉尘大或相机易受损	眼在手外	相机远离运动部件，防护更简单

最后需要强调的是，标定不是一劳永逸的。机械臂碰撞、相机松动、温度变化都可能导致标定结果失效。建议在项目中增加定期校验机制，例如每班次开始前使用固定参考点进行快速验证，确保视觉引导系统的长期稳定性。