一、什么是手眼标定

手眼标定（Hand-Eye Calibration）是机器人视觉系统的核心技术，用于确定相机坐标系与机器人末端坐标系（或基座坐标系）之间的空间变换关系。

1. 1. 两种典型配置

配置类型	英文名称	相机安装位置	应用场景
眼在手上	Eye-in-Hand	固定在机器人末端	移动抓取、柔性装配
眼在手外	Eye-to-Hand	固定在工作空间外	全局定位、托盘分拣

1.2 核心数学模型：AX=XB

手眼标定的本质是求解齐次变换方程。下图为两种配置的空间关系示意图：

图1：手眼标定两种配置的空间关系示意图（左：Eye-in-Hand，右：Eye-to-Hand）

A · X = X · B

其中：

· A：机器人末端两次位姿间的变换（由机器人运动学给出，来自编码器数据）

· B：相机两次观测标定板得到的位姿变换（由视觉算法计算）

· X：待求的手眼变换矩阵（相机→末端 或 相机→基座）

二、经典求解算法

2.1 Tsai-Lenz 两步法（1989）

Tsai-Lenz方法是手眼标定领域最经典的算法，其核心思想是将旋转和平移解耦分步求解：

图2：Tsai-Lenz两步法算法原理

算法步骤：

·第一步：求解旋转矩阵 R

·利用罗德里格斯公式，将旋转矩阵转化为旋转向量 g = tan(θ/2)·ê，建立线性方程组求解。

·第二步：求解平移向量 t

·在已知旋转矩阵的基础上，代入原方程 (RA-I)·tX = RX·tB - tA 求解平移分量。

优点：计算速度快，闭式解，适合实时应用

局限：旋转误差会传递至平移求解，噪声敏感

2.2 主流算法对比

算法	核心思想	特点	适用场景
Tsai-Lenz	旋转/平移解耦	快速、经典、误差传递	实时应用、快速标定
Park	李群李代数优化	同时求解、精度较高	精度要求高的场景
Daniilidis	对偶四元数	统一表示、理论优雅	理论研究
克罗内克积法	向量化求解	高精度、计算复杂	离线精密标定

三、数据采集与位姿规划

3.1 位姿分布策略

合理的位姿分布是保证标定精度的关键。根据IEEE文献与实测经验，推荐以下采集策略：

图3：数据采集位姿分布策略（左：俯视图，右：侧视图）

关键原则：充分激励手眼矩阵的所有自由度，避免方程退化。

推荐参数：

参数	推荐值	说明
位姿数量	15-25组	工业级精度推荐≥20组
方位角覆盖	8个方位（45°间隔）	充分覆盖绕光轴旋转
俯仰角度	15°-45°	与标定板法线夹角
距离分层	2-3层	近/中/远不同距离

3.2 不同配置的采集要点

Eye-in-Hand（眼在手上）：

· 机器人末端带动相机运动，标定板固定在工作台上

· 确保标定板始终在视野内，避免边缘畸变影响

· 标定板占画面比例建议30%-60%

Eye-to-Hand（眼在手外）：

· 相机固定，机器人夹持标定板运动

· 标定板需刚性连接在末端，避免振动

· 避免遮挡和反光，保证角点清晰

四、精度影响因素与优化

4.1 误差来源分析

图4：精度影响因素分析与优化效果对比

误差来源	影响程度	控制方法
机器人重复定位误差	高	预热机械臂10-20分钟，选择高精度位姿
相机内参误差	高	精确内参标定（重投影误差<0.1像素）
标定板平面度	中	使用陶瓷/玻璃材质，避免打印纸
角点提取精度	中	亚像素级角点检测（OpenCV cornerSubPix）
光照条件	低	均匀漫射光，避免反光和阴影

4.2 精度优化策略

五、精度验证方法

标定完成后，必须通过验证步骤确认精度是否达到工业要求。下图展示了两种常用验证方法：

图5：精度验证方法示意图（左：重投影误差验证，右：定点验证法）

5.1 重投影误差验证

将标定得到的手眼矩阵代入，计算标定板角点在图像上的重投影位置与实际提取位置的偏差。

验证步骤：

· 在图像中检测标定板角点

· 利用标定后的手眼矩阵X，将3D角点投影到图像平面

· 计算投影点与实际检测点的像素距离δ

工业级标准：平均重投影误差 < 0.5像素

5.2 定点验证法

这是最直接的精度验证方法，反映实际工作时的定位精度：

· 在相机视野内选取一个固定点P（如棋盘格角点）

· 通过手眼矩阵将P转换至机器人基坐标系：P_base = T·X·P_cam

· 控制机械臂末端到达P_base

·  测量末端与P的实际偏差ε

工业级标准：位置误差 < 1mm，旋转误差 < 1°

六、前沿技术趋势

6.1 基于深度学习的方法

近年来，深度学习方法在手眼标定领域展现出新的可能性，主要包括以下方向：

方法	代表工作	特点
无标定物方法	LRBO (2023)	利用机器人底座点云，无需外部标定板
视觉基础模型	Kalib (2025)	利用DINO等预训练模型，无需标定物
神经网络优化	CNN-based	补偿非线性畸变，端到端学习

6.2 性能对比

下图为传统方法与深度学习方法的性能对比：

图6：传统方法与深度学习方法对比（左：精度对比，右：耗时对比）

方法	位置误差(mm)	旋转误差(°)	耗时
传统棋盘格法	1.5-3.0	0.5-1.0	数分钟
LRBO (点云法)	0.93	0.265	<1秒
Kalib (视觉模型)	~3.0	~0.5w	~6秒

结论：传统方法精度稳定但耗时；深度学习方法速度快但需GPU支持，适合快速部署场景。对于工业级精密应用，传统方法配合合理的采集策略仍是首选。

七、工业级手眼标定检查清单

八、总结

手眼标定是机器人视觉系统的"最后一公里"，直接决定了抓取、装配等应用的精度上限。本文从原理、算法、采集策略、误差分析和验证方法等方面进行了系统阐述。

核心要点：

1. AX=XB 是手眼标定的数学基础，理解A、B、X的物理意义是关键

2. Tsai-Lenz是工程实践的经典选择，旋转/平移解耦策略简单有效

3. 15-25组位姿、8方位角、15°-45°俯仰是推荐的采集策略

4. TCP精度和相机内参是标定精度的前提条件，必须先行确保

5. 重投影误差和定点验证是必做的验证步骤，缺一不可

关于图准科技

图准科技专注于机器视觉标定、精度测试与工业自动化场景，提供从高精度标准件（陶瓷标准球、棋盘格/圆斑标定板）到全自动标定系统的完整解决方案。所有标准件经精密三坐标测量机检测，符合VDI/VDE、JJF等国际国内权威标准。

📞 业务咨询：17601364008（张先生）

🌐 官网：https://tuzhuntech.com