机器人手眼标定的核心是求解相机与机器人间的位姿变换矩阵 ，统一视觉与机器人坐标系，实现视觉引导精准作业，整体分为标定选型、前期准备、数据采集、矩阵求解、精度验证五大环节，需先区分安装结构再按流程执行。
一、标定结构选型
手眼标定分为两种主流安装结构，数学模型与操作流程存在差异，需先确定适配方案：
| 结构类型 | 安装方式 | 标定目标 | 核心方程 |
|---|---|---|---|
| 眼在手中 (Eye-in-Hand) | 相机刚性固定在机器人末端，随末端同步运动 | 求解相机坐标系→末端执行器坐标系的变换矩阵TEC | AX=XB |
| 眼在手外 (Eye-to-Hand) | 相机固定在基座 / 外部支架，与基座相对静止 | 求解相机坐标系→机器人基座坐标系的变换矩阵TBC | AX=XB |
二、标定前期准备
1. 硬件与环境配置
- 固定设备：Eye-in-Hand 需锁紧相机与末端法兰，Eye-to-Hand 需稳固相机支架，杜绝松动位移；
- 标定板选型：优先棋盘格、圆点阵列或 ArUco 码，尺寸匹配工作距离，特征清晰无变形、磨损；
- 环境优化：调整相机曝光、焦距，保证图像无过曝 / 模糊，减少反光、阴影干扰。
2. 前置标定
完成相机内参标定，获取焦距、主点、畸变系数，消除镜头畸变对特征检测的影响，常用张正友标定法完成。
三、数据采集（标定精度关键环节）
1. 位姿规划原则
- 采集数量：基础场景≥15 组，工业高精度场景建议 20-30 组；
- 姿态要求：包含三轴旋转（单轴旋转≥30°）、多方向平移，避免位姿共面、线性重复运动；
- 覆盖范围：位姿均匀分布在机器人工作空间与相机有效视野内。
2. 采集操作流程
- 控制机器人移动至预设位姿Pi，稳定后读取末端在基座坐标系下的位姿TBEi；
- 触发相机拍摄标定板图像，检测特征点，解算标定板在相机坐标系下的位姿TCWi；
- 重复上述步骤，完成所有预设位姿的数据采集，存储每组对应的机器人位姿与相机观测位姿。
四、变换矩阵求解
1. 核心数学模型
基于两组位姿的相对变换构建方程AX=XB，其中：
- A：机器人末端两组位姿间的相对变换矩阵（A=TBEj−1TBEi）；
- B：相机中标定板两组位姿间的相对变换矩阵（B=TCWj−1TCWi）；
- X：待求的手眼变换矩阵。
2. 主流求解算法
| 算法名称 | 核心原理 | 优势 | 适用场景 |
|---|---|---|---|
| Tsai-Lenz | 分离旋转与平移分量，先解旋转矩阵再求平移向量，线性求解 | 计算快、鲁棒性强，易实现 | 通用场景，入门首选 |
| Park-Martin | 基于李群李代数，联合优化旋转和平移误差 | 精度更高，抗干扰性强 | 高精度工业场景 |
| 双四元数法 | 用双四元数统一表示旋转和平移 | 闭式解，计算高效 | 需快速求解的实时系统 |
| 非线性优化法 | 以解析解为初始值，迭代最小化重投影误差 | 适配复杂噪声环境 | 实际复杂工况，精度要求严苛场景 |
3. 简易求解流程
- 基于采集的多组位姿，计算多对(Ai,Bi)相对变换矩阵；
- 选用适配算法构建线性方程组，通过 SVD、四元数法求解旋转分量RX；
- 代入RX求解平移分量tX，组合得到手眼矩阵X=[RX0tX1]；
- 可叠加非线性优化迭代，进一步降低标定误差。
五、精度验证与应用
- 精度校验：随机选取未用于标定的新位姿，通过标定矩阵将相机观测坐标转换为机器人坐标，与机器人实际位姿对比，计算平移 / 旋转误差；
- 误差优化：若误差超标，检查设备固定状态、补充姿态数据、更换算法重新求解；
- 部署应用：将标定矩阵集成至机器人控制系统，实现视觉坐标到机器人坐标的实时转换，支撑抓取、定位等作业。
六、常见问题与注意事项
- 标定过程中严禁触碰相机、机器人安装结构，避免刚性连接松动；
- 特征检测需保证亚像素级精度，减少图像识别引入的误差；
- Eye-in-Hand 标定需保证标定板固定，Eye-to-Hand 需保证相机位置固定；
- 平面 2D 场景可选用九点仿射标定法，3D 空间定位必须采用完整的AX=XB求解流程。