| 配置 | 相机位置 | 标定板位置 | 机器人 动作 |
|---|---|---|---|
| 眼在手外 (Eye-to-Hand) | 固定不动 | 在机器人末端，随之运动 | 带着标定板在相机视野内移动 |
| 眼在手上 (Eye-in-Hand) | 在机器人末端，随之运动 | 固定不动 (在桌面上) | 带着相机去观察标定板 |
眼在手外（Eye-to-Hand）标定数学原理：标定板是固定在机械臂末端
关键约束条件
在"眼在手外"的标定过程中，标定板固定在末端法兰：
相机：固定不动。
标定板：固定在机器人末端，随机器人运动。即\\bf{T}_{end}\^{board}是常数
\\bf{T}_{end}\^{board}是常数。因为标定板刚性安装在法兰上，它相对于末端的变换永远不变
眼在手外标定的本质是寻找一个固定的变换\\bf{X}（即\\bf{T}_{base }\^{camera}，相机在机械臂基座坐标下的位姿）：
\\bf{T}_{base}\^{board_i}=T_{base}\^{end_i} \\cdot T_{end_i}\^{board_i}=T_{base}\^{camera} \\cdot T_{camera}\^{board_i}
采样多个样本：
\\begin{bmatrix} \\bf{T}_{base}\^{board_1}=T_{base}\^{end_1} \\cdot T_{end_1}\^{board_1}=T_{base}\^{camera} \\cdot T_{camera}\^{board_1} \\\\\\\\ \\bf{T}_{base}\^{board_2}=T_{base}\^{end_2} \\cdot T_{end_2}\^{board_2}=T_{base}\^{camera} \\cdot T_{camera}\^{board_2} \\\\\\\\ \\bf{T}_{base}\^{board_2}=T_{base}\^{end_3} \\cdot T_{end_3}\^{board_3}=T_{base}\^{camera} \\cdot T_{camera}\^{board_3} \\\\\\\\ \\cdots \\end{bmatrix}
由于在标定过程中，标定板是固定在机械臂末端的，机械臂基座不动，相机固定不动
所以\\bf{T}_{base}\^{camera}是一个固定常量矩阵，也就是我们要求的标定矩阵
且\\bf{T}_{end_1}\^{board_1} = T_{end_2}\^{board_2} = T_{end_3}\^{board_3}也是一个固定常量矩阵
我们选取机器人运动的两个不同位姿（位姿1和位姿2）：
\\begin{cases} \\bf{T}_{base}\^{board_1}=T_{base}\^{end_1} \\cdot T_{end_1}\^{board_1}=T_{base}\^{camera} \\cdot T_{camera}\^{board_1} \\\\\\\\ \\bf{T}_{base}\^{board_2}=T_{base}\^{end_2} \\cdot T_{end_2}\^{board_2}=T_{base}\^{camera} \\cdot T_{camera}\^{board_2} \\end{cases}
\\begin{cases} \\bf{T}_{end_1}\^{board_1}=\\left(T_{base}\^{end_1}\\right)\^{-1} \\cdot T_{base}\^{camera} \\cdot T_{camera}\^{board_1} \\\\\\\\ \\bf{T}_{end_2}\^{board_2}=\\left(T_{base}\^{end_2}\\right)\^{-1} \\cdot T_{base}\^{camera} \\cdot T_{camera}\^{board_2} \\end{cases}
由于\\bf{T}_{end_1}\^{board_1} = T_{end_2}\^{board_2}，令\\bf{T}_{base}\^{camera}=\\bf{X}：
\\left(\\bf{T}_{base}\^{end_1}\\right)\^{-1} \\cdot \\bf{X} \\cdot T_{camera}\^{board_1}=\\left(T_{base}\^{end_2}\\right)\^{-1} \\cdot \\bf{X} \\cdot T_{camera}\^{board_2}
\\bf{T}_{base}\^{end_2} \\cdot \\left(\\bf{T}_{base}\^{end_1}\\right)\^{-1} \\cdot \\bf{X} = \\bf{X} \\cdot T_{camera}\^{board_2} \\cdot \\left(T_{camera}\^{board_1}\\right)\^{-1}
形容\\bf{A}\\bf{X} = \\bf{X} \\bf{B}
\\begin{cases} \\bf{A}= \\bf{T}_{base}\^{end_2} \\cdot \\left(\\bf{T}_{base}\^{end_1}\\right)\^{-1} \\\\ \\bf{B}=T_{camera}\^{board_2} \\cdot \\left(T_{camera}\^{board_1}\\right)\^{-1} \\end{cases}
- 机械臂法兰末端运动( \\bf{A})：
-
机械臂末端法兰从位姿1移动到位姿2，末端法兰相对于基座的变换变化量。
\\bf{A} = T_{base}\^{end_2} \\cdot \\left(T_{base}\^{end_1}\\right)\^{-1}
（这个数据可以直接从 机器人 控制器读取并计算)
- 相机的观测 ( \\bf{B})：
-
标定板在相机眼中的相对运动
\\bf{B} = T_{camera}\^{board_2} \\cdot \\left(T_{camera}\^{board_1}\\right)\^{-1}
(这个数据通过相机拍摄标定板，利用 PnP 算法或视觉库计算得到)
- 建立方程：
\\underbrace{\\bf{T}_{base}\^{end_2} \\cdot \\left(\\bf{T}_{base}\^{end_1}\\right)\^{-1}}_{\\text{机械臂相对运动}} \\cdot \\underbrace{\\bf{T}_{base}\^{camera}}_{\\text{待求}} = \\underbrace{\\bf{T}_{base}\^{camera}}_{\\text{待求}} \\cdot \\underbrace{\\bf{T}_{camera}\^{board_2} \\cdot \\left(\\bf{T}_{camera}\^{board_1}\\right)\^{-1}}_{\\text{相机相对运动}}
具体计算步骤
要解出这个\\bf{X}，不能只算一次，通常需要采集多组数据（例如 10-20 组）来消除噪声
第一步：数据采集
-
固定标定板：标定板刚性固定在机械臂末端法兰上（棋盘格或圆点板）
-
移动 机器人：控制机器人移动到$$$$个不同的位置和姿态
-
记录数据：
-
记录每一帧的机器人末端位姿 \\bf{T}_{base}\^{end}（从控制器读取）
-
拍摄图像，并计算每一帧标定板在相机坐标系下的位姿 \\bf{T}_{camera}\^{board}（使用 OpenCV 的
solvePnP或 Halcon 等视觉算法）
-
第二步：构建方程组
对于每一对相邻的运动（例如从第$$$$帧到第i+帧），构建一个\\bf{A}_i X = X B_i方程
第三步：求解\\bf{X}
这是一个经典的矩阵方程，通常使用最小二乘法求解
使用现成库：在实际工程中，你不需要手写 SVD 求解器，可以直接调用成熟的库
代码实现示例 (Python + OpenCV)
OpenCV 提供了 cv2.calibrateHandEye 函数，可以直接计算 \\bf{T}_{end}\^{camera}（在函数参数中对应 R_cam2gripper 和 t_cam2gripper，注意方向可能需要取逆，具体取决于你定义的 $$$$ 是哪个方向）。
import cv2 import numpy as np # 假设你已经采集了 N 组数据 # R_gripper2base_list: 机器人末端到基座的旋转矩阵列表 (R_be) # t_gripper2base_list: 机器人末端到基座的平移向量列表 (t_be) # R_target2cam_list: 标定板到相机的旋转矩阵列表 (R_tc) # t_target2cam_list: 标定板到相机的平移向量列表 (t_tc) # 1. 准备数据 (这里需要转成 OpenCV 要求的格式，通常是列表) # 注意：OpenCV 的函数通常求解的是 T_gripper_cam (即 T_end_camera) # 但输入参数需要仔细对应方向。 # 下方代码演示的是求解 T_cam2gripper (相机->末端)，如果需要 T_end->cam 需取逆 R_cam2gripper, t_cam2gripper = cv2.calibrateHandEye( R_gripper2base_list, # 机器人：末端->基座 t_gripper2base_list, R_target2cam_list, # 视觉：标定板->相机 t_target2cam_list, method=cv2.CALIB_HAND_EYE_TSAI # 常用 Tsai 算法 ) # 2. 组合成齐次矩阵 T_cam2gripper T_cam2gripper = np.block([ [R_cam2gripper, t_cam2gripper.reshape(3, 1)], [np.zeros((1, 3)), np.array([[1]])] ]) # 3. 如果你需要的是 T_end_camera (即 T_gripper2cam)，则求逆 T_end_camera = np.linalg.inv(T_cam2gripper) print("计算得到的 T_end_camera:") print(T_end_camera)
眼在手上（Eye-in-Hand）标定数学原理：标定板固定在桌面
关键约束条件
在"眼在手上"的标定过程中，标定板固定在外部环境中：
相机：固定在机器人末端，随机器人运动，所以\\bf{T}_{end}\^{camera}是一个固定常量矩阵
标定板：固定在外部环境（如工作台）中，静止不动，即\\bf{T}_{base}\^{board}是一个固定常量矩阵
\\bf{T}_{base}\^{board}是一个固定常量矩阵。因为标定板刚性固定在外部，它相对于基座的变换永远不变
眼在手上标定的本质是寻找一个固定的变换 \\bf{X（即\\bf{T}_{end}\^{camera}，相机在末端法兰坐标系下的位姿），使得无论机器人怎么动，标定板在基座坐标系下的位置始终保持一致，即\\bf{T}_{base}\^{board_1}=\\bf{T}_{base}\^{board_2}=\\cdots=\\bf{T}_{base}\^{board_i}
\\bf{T}_{base}\^{board_i} = T_{base}\^{end_i} \\cdot T_{end_i}\^{camera_i} \\cdot T_{camera_i}\^{board_i}
采样多个样本：
\\begin{cases} \\bf{T}_{base}\^{board_1}=T_{base}\^{end_1} \\cdot T_{end_1}\^{camera_1} \\cdot T_{camera_1}\^{board_1} \\\\\\\\ \\bf{T}_{base}\^{board_2}=T_{base}\^{end_2} \\cdot T_{end_2}\^{camera_2} \\cdot T_{camera_2}\^{board_2} \\\\\\\\ \\bf{T}_{base}\^{board_3}=T_{base}\^{end_3} \\cdot T_{end_3}\^{camera_3} \\cdot T_{camera_3}\^{board_3} \\\\ \\cdots \\end{cases}
由于在标定过程中标定板是固定在外部（如桌面）的，机械臂基座不动。 所以\\bf{T}_{base}\^{board}是一个固定常量矩阵
且\\bf{T}_{end}\^{camera}也是一个固定常量矩阵（相机安装在末端，相对位置不变，即我们要求的标定矩阵）
我们选取机器人运动的两个不同位姿（位姿1和位姿2）：
\\begin{cases} \\bf{T}_{base}\^{board_1}=T_{base}\^{end_1} \\cdot T_{end_1}\^{camera_1} \\cdot T_{camera_1}\^{board_1} \\\\\\\\ \\bf{T}_{base}\^{board_2}=T_{base}\^{end_2} \\cdot T_{end_2}\^{camera_2} \\cdot T_{camera_2}\^{board_2} \\end{cases}
由于\\bf{T}_{base}\^{board_1}=\\bf{T}_{base}\^{board_2}，所以：
\\bf{T}_{base}\^{end_1} \\cdot T_{end_1}\^{camera_1} \\cdot T_{camera_1}\^{board_1} = T_{base}\^{end_2} \\cdot T_{end_2}\^{camera_2} \\cdot T_{camera_2}\^{board_2}
令\\bf{T}_{end_1}\^{camera_1}=T_{end_2}\^{camera_2}=X：
\\underbrace{\\left(\\bf{T}_{base}\^{end_2}\\right)\^{-1} \\cdot \\bf{T}_{base}\^{end_1}}_{\\bf{A}} \\cdot \\mathbf{X} = \\mathbf{X} \\cdot \\underbrace{\\bf{T}_{camera_2}\^{board_2} \\cdot \\left(T_{camera_1}\^{board_1}\\right)\^{-1}}_{\\bf{B}}
这就构成了 \\bf{A}\\bf{X} = \\bf{X} \\bf{B 的形式
-
机械臂相对运动 ( \\bf{A)：\\bf{A} = (T_{base}\^{end_2})\^{-1} \\cdot T_{base}\^{end_1} （从位姿2变到位姿1）
-
相机观测相对运动 ( \\bf{B)：\\bf{B} = T_{camera_2}\^{board_2} \\cdot (T_{camera_1}\^{board_1})\^{-1}（从位姿1变到位姿2，注意顺序反转）
- 机械臂法兰末端运动 ( \\bf{A)：
机械臂末端法兰从位姿2移动到位姿1，末端法兰相对于基座的变换变化量（这个数据可以直接从机械臂控制器读取并计算）
- 相机的观测 ( \\bf{B)：
标定板在相机眼中的相对运动（注意：因为相机动了，所以看到的标定板反向动了）(这个数据通过相机拍摄标定板，利用 PnP 算法或视觉库计算得到)
- 建立方程：
\\underbrace{(\\bf{T}_{base}\^{end_2})\^{-1} \\cdot T_{base}\^{end_1}}_{\\text{机械臂相对运动}} \\cdot \\underbrace{\\bf{T}_{end}\^{camera}}_{\\text{待求}} = \\underbrace{\\bf{T}_{end}\^{camera}}_{\\text{待求}} \\cdot \\underbrace{\\bf{T}_{camera}\^{board_2} \\cdot (T_{camera}\^{board_1})\^{-1}}_{\\text{相机相对运动}}
具体计算步骤
要解出这个\\bf{X，不能只算一次，通常需要采集多组数据（例如 10-20 组）来消除噪声
第一步：数据采集
-
固定标定板：在桌面上固定一个标定板（棋盘格或圆点板）
-
移动 机器人：控制机器人移动到$$$$个不同的位置和姿态（相机跟着动）
-
记录数据：
-
记录每一帧的机器人末端位姿 \\bf{T}_{base}\^{end（从控制器读取）
-
拍摄图像，并计算每一帧标定板在相机坐标系下的位姿 \\bf{T}_{camera}\^{board（使用 OpenCV 的 solvePnP 或 Halcon 等视觉算法）
-
第二步：构建方程组
对于每一对相邻的运动（例如从第$$$$帧到第i+帧），构建一个\\bf{A}_i X = X B_方程
第三步：求解\\bf{X
这是一个经典的矩阵方程，通常使用最小二乘法求解
使用现成库：在实际工程中，你不需要手写 SVD 求解器，可以直接调用成熟的库。
代码实现示例 (Python + OpenCV)
OpenCV 提供了 cv2.calibrateHandEye 函数。
import cv2 import numpy as np # 假设你已经采集了 N 组数据 # R_gripper2base_list: 机器人末端到基座的旋转矩阵列表 (R_be) # t_gripper2base_list: 机器人末端到基座的平移向量列表 (t_be) # R_target2cam_list: 标定板到相机的旋转矩阵列表 (R_tc) # t_target2cam_list: 标定板到相机的平移向量列表 (t_tc) # 1. 准备数据 # 注意：OpenCV 的 calibrateHandEye 求解的是 T_gripper_cam (即 T_end_camera) # 输入参数需要严格对应： # R_gripper2base: T_base_end 的旋转 # R_target2cam: T_cam_target 的旋转 (注意 OpenCV 这里通常需要传入 T_target_cam 或 T_cam_target，需查阅具体版本文档，通常是 T_cam_target) R_cam2gripper, t_cam2gripper = cv2.calibrateHandEye( R_gripper2base_list, # 机器人：末端->基座 (T_base_end) t_gripper2base_list, R_target2cam_list, # 视觉：标定板->相机 (T_cam_board) t_target2cam_list, method=cv2.CALIB_HAND_EYE_TSAI ) # 2. 组合成齐次矩阵 # 得到的是 T_cam_gripper (相机->末端) T_cam_gripper = np.block([ [R_cam2gripper, t_cam2gripper.reshape(3, 1)], [np.zeros((1, 3)), np.array()] ]) # 3. 如果你需要的是 T_end_camera (即 T_gripper2cam)，则求逆 T_end_camera = np.linalg.inv(T_cam_gripper) print("计算得到的 T_end_camera (相机在末端坐标系下的位姿):") print(T_end_camera)