OpenCV手眼标定实战：从AX=XB原理到机械臂抓取代码实现

1. 手眼标定到底在解决什么问题

机械臂抓取这件事，听起来简单——看到目标，伸过去，夹住。但真正上手做过的人都知道，从“相机看到目标”到“机械臂准确到达目标”，中间隔着一道必须跨过去的坎：坐标系转换。相机有相机的坐标系，机械臂有机械臂的坐标系，这两个坐标系之间的变换关系如果不确定，相机告诉机械臂“目标在图像中心偏左30像素”，机械臂根本不知道这30像素对应到自己的世界里是多少毫米、往哪个方向走。

手眼标定要做的，就是求出这两个坐标系之间的刚性变换矩阵。具体来说，是求相机坐标系到机械臂末端坐标系（eye-in-hand）或者相机坐标系到机械臂基座坐标系（eye-to-hand）的变换关系。这个变换矩阵一旦求出来，相机检测到的任何目标位置，都可以通过这个矩阵转换到机械臂坐标系下，进而驱动机械臂去抓取。

OpenCV从4.1版本开始，在calib3d模块中正式提供了calibrateHandEye函数，把原本需要自己手写求解的AX=XB问题封装成了一个API调用。但API调用只是最后一步，真正的工作量在于：数据采集、坐标变换链的构建、标定板位姿计算、以及标定结果的验证。这篇文章我会从原理讲到代码实现，把我在实际项目中踩过的坑和总结的经验都摊开来说。

这篇文章适合谁看？如果你正在做机械臂视觉抓取项目，或者准备入门手眼标定，又或者你已经调用了calibrateHandEye但结果总是不对，那这篇内容应该能帮你省下不少调试时间。我会用Python和OpenCV来演示，但原理部分对C++用户同样适用。

2. 手眼标定的数学原理拆解

2.1 AX=XB到底是怎么来的

手眼标定的核心方程是AX=XB，这个方程看起来简单，但理解它的推导过程对后续调试至关重要。

先定义几个坐标系：机械臂基座坐标系记为B，机械臂末端坐标系记为E，相机坐标系记为C，标定板坐标系记为T。对于eye-in-hand配置（相机固定在机械臂末端），我们要求的是相机坐标系到末端坐标系的变换矩阵X，即X = T_E←C。

假设机械臂运动了两次，第一次末端位姿为T_B←E1，第二次为T_B←E2。相机在两次运动中分别拍摄标定板，得到标定板在相机坐标系下的位姿T_C1←T和T_C2←T。

由于标定板是固定不动的，机械臂基座也是固定不动的，我们可以建立以下关系：

第一次：T_B←E1 · X · T_C1←T = T_B←T（标定板在基座坐标系下的位姿）

第二次：T_B←E2 · X · T_C2←T = T_B←T

两式相等，消去T_B←T：

T_B←E1 · X · T_C1←T = T_B←E2 · X · T_C2←T

整理后得到：

(T_B←E2)^(-1) · T_B←E1 · X = X · T_C2←T · (T_C1←T)^(-1)

令A = (T_B←E2)^(-1) · T_B←E1，B = T_C2←T · (T_C1←T)^(-1)，就得到了AX=XB。

这里的A是机械臂末端两次运动的相对变换，B是相机两次观测到的标定板相对变换。X就是我们要解的相机到末端的变换矩阵。

注意：这个推导假设标定板固定不动，机械臂基座固定不动。如果标定板在标定过程中移动了，整个方程就不成立了。这是实际操中最容易犯的错误之一。

2.2 旋转和平移为什么要分开解

AX=XB这个方程不能直接线性求解，因为旋转矩阵有正交约束。OpenCV的calibrateHandEye内部采用了Tsai-Lenz方法或Park-Martin方法等经典算法，这些算法的共同思路是：先解旋转，再解平移。

为什么？因为旋转部分可以转化为一个线性问题。将AX=XB展开：

旋转部分：R_A · R_X = R_X · R_B

平移部分：R_A · t_X + t_A = R_X · t_B + t_X

旋转部分的方程只涉及旋转矩阵，可以通过罗德里格斯变换将旋转矩阵转为旋转向量，然后构建线性方程组求解。一旦R_X求出来了，平移部分的方程就变成了关于t_X的线性方程，直接最小二乘就能解。

这个“先旋转后平移”的策略有一个重要含义：旋转标定的精度直接决定平移标定的精度。如果旋转矩阵解偏了，平移向量再怎么优化也救不回来。所以在实际标定中，机械臂的旋转运动要充分激励，不能只做平移运动。

2.3 为什么至少需要两组运动

从AX=XB的推导可以看出，每两组运动可以构建一个方程。但一个方程不足以唯一确定X，因为旋转矩阵有3个自由度，平移向量有3个自由度，总共6个自由度。每组运动提供的约束数量取决于运动的形式。

实际使用中，OpenCV的calibrateHandEye要求至少提供2组运动（即3个位姿），但强烈建议采集15到20组以上的数据。原因很简单：噪声。机械臂的运动学误差、标定板的角点检测误差、相机内参的标定误差，都会传导到最终结果中。数据量越大，最小二乘的解越稳定。

我个人的经验是：少于10组数据，结果基本不可信；15到20组是比较稳妥的范围；超过30组后精度提升有限，但采集时间成本明显增加。

3. 标定前的准备工作

3.1 硬件配置与坐标系定义

在开始写代码之前，先把硬件和坐标系理清楚。以eye-in-hand为例，典型的硬件配置包括：

• 机械臂（比如UR、Piper、Franka等）
• 相机（RGB或RGB-D，固定在机械臂末端）
• 标定板（棋盘格或ArUco码）
• 计算机（运行标定程序）

坐标系定义必须明确：

提示：不同品牌的机械臂对末端坐标系的定义可能不同，有的在法兰盘中心，有的在工具尖端。标定前一定要确认机械臂SDK返回的位姿是相对于哪个坐标系的。

3.2 标定板的选择与制作

标定板的选择直接影响角点检测精度。常见的有两种：

棋盘格标定板：OpenCV的findChessboardCorners对棋盘格的支持最成熟，角点检测精度高。缺点是只能提供角点信息，不能提供方向信息，所以标定板不能旋转到太偏的角度。

ArUco标定板：OpenCV的aruco模块可以检测ArUco码，每个码有唯一的ID，能提供方向信息。适合标定板需要大角度旋转的场景。但ArUco码的角点检测精度通常略低于棋盘格。

我的建议是：如果机械臂的运动范围不大，用棋盘格就够了；如果需要大角度旋转来激励旋转轴，ArUco更合适。

标定板的制作要注意：打印精度要高，贴在硬质平板上，平板本身要平整。我见过有人直接把打印纸贴在纸板上，结果纸板受潮变形，标定结果一塌糊涂。

3.3 相机内参标定不能省

calibrateHandEye需要的是标定板在相机坐标系下的位姿，这个位姿是通过solvePnP计算出来的，而solvePnP需要相机内参和畸变系数。所以相机内参标定是手眼标定的前置步骤，不能跳过。

相机内参标定用calibrateCamera函数，采集15到20张不同角度的棋盘格图像，具体流程这里不展开，但有几个要点：

• 棋盘格要覆盖图像的不同区域，包括边缘
• 棋盘格要有不同的倾斜角度
• 畸变系数要标定准确，特别是广角镜头

注意：如果相机内参不准，solvePnP算出的标定板位姿就会有系统偏差，这个偏差会直接传导到手眼标定结果中。我遇到过内参标定只用了5张图的情况，结果手眼标定怎么调都不对，重新标定内参后问题消失。

4. 数据采集的实操要点

4.1 机械臂位姿的采集与记录

数据采集是整个标定过程中最耗时、也最容易出错的环节。每一组数据需要记录两个东西：机械臂末端位姿和对应的标定板图像。

机械臂末端位姿通常以(x, y, z, rx, ry, rz)的形式给出，其中(x, y, z)是平移，(rx, ry, rz)是旋转向量（罗德里格斯角）或欧拉角。不同品牌的机械臂可能使用不同的旋转表示，需要统一转换成旋转矩阵。

import numpy as np import cv2 def pose_to_matrix(x, y, z, rx, ry, rz): """将机械臂位姿转换为4x4变换矩阵 输入：平移(x,y,z)和旋转向量(rx,ry,rz) 输出：4x4齐次变换矩阵 """ R, _ = cv2.Rodrigues(np.array([rx, ry, rz], dtype=np.float64)) T = np.eye(4) T[:3, :3] = R T[:3, 3] = [x, y, z] return T

如果机械臂返回的是欧拉角，需要先转换成旋转矩阵。OpenCV没有直接的欧拉角转旋转矩阵函数，但可以用scipy.spatial.transform.Rotation或者手动构建。

提示：记录位姿时，建议同时记录时间戳和图像文件名，方便后续核对。我习惯用CSV文件记录，每行对应一组数据，包含位姿、图像路径和备注。

4.2 运动轨迹的设计原则

机械臂的运动轨迹不是随便走几个位置就行的。为了让AX=XB有稳定的解，运动需要满足以下条件：

旋转轴要充分激励。如果机械臂只绕一个轴旋转，旋转矩阵的约束就不足，解会不稳定。理想情况下，机械臂应该绕至少两个不同的轴旋转，而且旋转角度要足够大（建议每次旋转15度以上）。

平移运动要覆盖工作空间。平移运动帮助确定平移向量的尺度。如果机械臂只在很小的范围内移动，平移向量的解会有很大的不确定性。

标定板始终在相机视野内。这是最基本的约束，但实际操中很容易忽略。机械臂运动后，标定板可能跑出视野，或者被机械臂自身遮挡。

避免奇异位形。机械臂在奇异位形附近时，运动学解算不稳定，位姿读数可能跳变。采集数据时要避开这些区域。

我通常采用的采集策略是：以标定板为中心，机械臂从不同方向、不同角度“看”标定板，每次运动后确认标定板完整出现在图像中，且角点检测成功。

4.3 图像采集的注意事项

图像采集看似简单，但有几个细节直接影响标定精度：

光照要均匀。标定板上的光照不均匀会导致角点检测偏差。避免强光直射和阴影。

对焦要清晰。模糊的图像会导致角点检测精度下降。如果相机是自动对焦，建议锁定焦距。

曝光要合适。过曝或欠曝都会影响角点检测。建议手动设置曝光，保证标定板黑白分明。

采集时机械臂要静止。机械臂运动过程中采集的图像会有运动模糊，而且位姿读数也不准确。每次运动到位后，等待机械臂完全停止再采集。

注意：我见过有人在机械臂运动过程中连续采集图像，结果标定结果偏差很大。机械臂的位姿读数和图像采集必须严格对应同一时刻。

5. calibrateHandEye的代码实现

5.1 完整代码框架

下面是一个完整的Python实现，使用OpenCV的calibrateHandEye函数：

import numpy as np import cv2 import glob import yaml # ========== 1. 加载相机内参 ========== with open('camera_calibration.yaml', 'r') as f: calib_data = yaml.safe_load(f) camera_matrix = np.array(calib_data['camera_matrix']) dist_coeffs = np.array(calib_data['dist_coeffs']) # ========== 2. 标定板参数 ========== pattern_size = (11, 8) # 棋盘格内角点数 square_size = 0.025 # 方格边长，单位：米 # 生成标定板坐标系下的角点坐标 objp = np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32) objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) objp *= square_size # ========== 3. 读取机械臂位姿数据 ========== # 假设CSV格式：image_path, x, y, z, rx, ry, rz data = np.loadtxt('robot_poses.csv', delimiter=',', dtype=str) image_paths = data[:, 0] poses = data[:, 1:].astype(np.float64) # ========== 4. 计算每组数据的标定板位姿 ========== R_target2cam = [] t_target2cam = [] R_gripper2base = [] t_gripper2base = [] for i, img_path in enumerate(image_paths): img = cv2.imread(img_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 检测棋盘格角点 ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if not ret: print(f"警告：{img_path} 角点检测失败，跳过") continue # 亚像素精化 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) corners_refined = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) # solvePnP计算标定板到相机的变换 ret, rvec, tvec = cv2.solvePnP(objp, corners_refined, camera_matrix, dist_coeffs) if not ret: print(f"警告：{img_path} solvePnP失败，跳过") continue R, _ = cv2.Rodrigues(rvec) R_target2cam.append(R) t_target2cam.append(tvec.flatten()) # 机械臂位姿转变换矩阵 x, y, z, rx, ry, rz = poses[i] R_gb, _ = cv2.Rodrigues(np.array([rx, ry, rz])) R_gripper2base.append(R_gb) t_gripper2base.append(np.array([x, y, z])) # ========== 5. 手眼标定 ========== R_cam2gripper, t_cam2gripper = cv2.calibrateHandEye( R_gripper2base, t_gripper2base, R_target2cam, t_target2cam, method=cv2.CALIB_HAND_EYE_TSAI ) print("相机到末端的旋转矩阵：") print(R_cam2gripper) print("相机到末端的平移向量：") print(t_cam2gripper.flatten()) # ========== 6. 构建完整的变换矩阵 ========== T_cam2gripper = np.eye(4) T_cam2gripper[:3, :3] = R_cam2gripper T_cam2gripper[:3, 3] = t_cam2gripper.flatten() print("相机到末端的变换矩阵：") print(T_cam2gripper)

5.2 参数选择与算法对比

calibrateHandEye提供了四种算法：

我的实测经验是：Park-Martin和Daniilidis的精度最好，Tsai-Lenz在数据质量好时也够用。如果标定结果不理想，可以换几种算法对比，取重投影误差最小的。

5.3 标定结果的验证方法

标定完成后，必须验证结果是否可靠。最直接的方法是重投影验证：

选取一组未参与标定的数据，用标定得到的T_cam2gripper，将标定板在相机坐标系下的位姿转换到机械臂基座坐标系下，然后与机械臂实际位姿对比。如果误差在合理范围内（通常小于2-3毫米），说明标定结果可用。

def validate_hand_eye(T_cam2gripper, R_gripper2base, t_gripper2base, R_target2cam, t_target2cam): """验证手眼标定结果 计算标定板在基座坐标系下的位姿，检查一致性 """ errors = [] for i in range(len(R_gripper2base)): # 标定板在基座坐标系下的位姿 T_gb = np.eye(4) T_gb[:3, :3] = R_gripper2base[i] T_gb[:3, 3] = t_gripper2base[i] T_tc = np.eye(4) T_tc[:3, :3] = R_target2cam[i] T_tc[:3, 3] = t_target2cam[i] T_bt = T_gb @ T_cam2gripper @ T_tc errors.append(T_bt[:3, 3]) errors = np.array(errors) mean_error = np.mean(errors, axis=0) std_error = np.std(errors, axis=0) print(f"标定板位置均值：{mean_error}") print(f"标定板位置标准差：{std_error}") return mean_error, std_error

如果标准差很大，说明标定结果不稳定，需要检查数据质量或增加数据量。

6. 常见问题与排查技巧实录

6.1 标定结果偏差大的排查思路

标定结果偏差大是最常见的问题，排查要按以下顺序进行：

第一步：检查相机内参。用标定板重新投影，看重投影误差是否小于0.5像素。如果大于1像素，内参标定有问题。

第二步：检查角点检测。把检测到的角点画在图像上，肉眼确认是否准确。如果角点偏移，检查光照和对焦。

第三步：检查机械臂位姿。确认位姿的旋转表示是否正确（旋转向量还是欧拉角），确认位姿对应的坐标系是否正确。

第四步：检查数据量。少于10组数据基本不可靠，建议15组以上。

第五步：检查运动激励。如果机械臂只做了平移运动，旋转矩阵解不稳定。需要增加旋转运动。

6.2 角点检测失败的常见原因

6.3 机械臂位姿读取的坑

不同品牌的机械臂，位姿的表示方式不同。有的用旋转向量，有的用欧拉角，有的用四元数。而且欧拉角还有不同的旋转顺序（XYZ、ZYX等）。如果搞错了，标定结果会完全错误。

注意：UR机械臂返回的是旋转向量，但有些SDK返回的是轴角。Piper机械臂的位姿定义需要查阅具体文档。建议先用一个已知的简单运动验证位姿转换是否正确。

6.4 标定结果的精度评估

手眼标定的精度通常用重投影误差来评估。具体做法是：用标定结果将标定板在相机坐标系下的位姿转换到基座坐标系，然后与机械臂实际位姿对比。误差来源包括：

• 相机内参误差
• 角点检测误差
• 机械臂运动学误差
• 标定算法误差

实际项目中，1-2毫米的误差是可以接受的，如果要求更高精度，需要更精密的标定板和更稳定的机械臂。

7. 提高标定精度的实战经验

7.1 数据采集的优化策略

数据采集的质量直接决定标定精度。我总结了几条经验：

采集时机械臂要“慢走稳停”。快速运动会导致机械臂振动，位姿读数不稳定。每次运动后等待1-2秒再采集。

标定板要覆盖图像的不同区域。不要总是把标定板放在图像中心，要让它出现在图像的四个角和边缘。这样能更好地约束相机的畸变和标定板的位姿。

旋转角度要足够大。每次旋转至少15度，最好能达到30度以上。旋转角度太小，旋转矩阵的约束不足。

避免共面运动。如果机械臂的所有运动都在同一个平面内，标定结果会有很大的不确定性。要让机械臂在三维空间中充分运动。

7.2 标定板位姿的优化

solvePnP计算标定板位姿时，可以使用SOLVEPNP_ITERATIVE或SOLVEPNP_IPPE等不同方法。对于平面标定板，SOLVEPNP_IPPE通常更稳定。

另外，可以使用cv2.solvePnPRefineLM对标定板位姿进行非线性优化，进一步提高精度。

# 使用IPPE方法求解，然后用LM优化 ret, rvec, tvec = cv2.solvePnP(objp, corners_refined, camera_matrix, dist_coeffs, flags=cv2.SOLVEPNP_IPPE) rvec, tvec = cv2.solvePnPRefineLM(objp, corners_refined, camera_matrix, dist_coeffs, rvec, tvec)

7.3 多次标定取平均

如果对精度要求很高，可以多次标定取平均。具体做法是：采集多组数据，分成几个子集，分别标定，然后对结果取平均。这样可以减小随机误差的影响。

但要注意：取平均之前要先剔除异常值。如果某次标定的结果与其他次差异很大，说明那次标定的数据有问题，应该剔除而不是平均。

7.4 标定结果的在线验证

标定完成后，不要急着上生产线。先做在线验证：让机械臂去抓取一个已知位置的目标，看实际抓取位置与预期位置的偏差。如果偏差在允许范围内，再正式使用。

我通常会在标定后做这样一个测试：在标定板上选一个角点，用标定结果计算机械臂应该到达的位置，然后让机械臂实际运动到那个位置，测量偏差。这个偏差就是标定精度的直接体现。

8. 从标定到抓取：完整链路打通

8.1 坐标系变换链的构建

手眼标定只是整个视觉抓取链路中的一环。完整的变换链是：

目标在图像中的像素坐标 → 相机坐标系下的3D坐标 → 机械臂基座坐标系下的3D坐标 → 机械臂运动指令

第一步需要相机内参和深度信息（如果是RGB-D相机）或者平面假设（如果是RGB相机）。第二步需要手眼标定矩阵。第三步需要机械臂逆运动学。

def pixel_to_robot_base(u, v, depth, camera_matrix, T_cam2gripper, T_gripper2base): """将像素坐标转换为机械臂基座坐标系下的3D坐标 u, v: 像素坐标 depth: 深度值（米） """ # 像素坐标转相机坐标系 fx = camera_matrix[0, 0] fy = camera_matrix[1, 1] cx = camera_matrix[0, 2] cy = camera_matrix[1, 2] x_cam = (u - cx) * depth / fx y_cam = (v - cy) * depth / fy z_cam = depth # 相机坐标系转基座坐标系 P_cam = np.array([x_cam, y_cam, z_cam, 1.0]) T_base2cam = T_gripper2base @ T_cam2gripper P_base = T_base2cam @ P_cam return P_base[:3]

8.2 抓取位姿的计算

得到目标在基座坐标系下的位置后，还需要确定抓取姿态。对于简单的平行夹爪，抓取姿态通常由目标物体的朝向决定。如果目标物体是任意朝向的，还需要估计物体的6D位姿。

这部分内容超出了手眼标定的范围，但它是手眼标定的直接应用。手眼标定的精度直接影响抓取的成功率。

8.3 实际项目中的调试经验

在实际项目中，手眼标定完成后，通常还需要做一些微调。比如：

• 工具坐标系补偿：如果夹爪的抓取点不在法兰盘中心，需要在变换链中加入工具坐标系。
• 抓取高度补偿：对于平面上的物体，抓取时夹爪需要下降到物体表面以下一定距离。
• 视觉伺服：如果标定精度不够，可以在接近目标时使用视觉伺服进行微调。

我做过的一个项目中，手眼标定的重投影误差在1.5毫米左右，但实际抓取时偏差达到了5毫米。后来发现是工具坐标系没有正确补偿。加入工具坐标系后，抓取偏差降到了2毫米以内。

提示：手眼标定求的是相机到法兰盘的变换，但实际抓取时夹爪的抓取点可能不在法兰盘中心。这个偏差必须补偿，否则标定再准也没用。

9. 不同配置下的标定差异

9.1 eye-in-hand与eye-to-hand的区别

前面讲的都是eye-in-hand配置（相机固定在机械臂末端）。另一种常见配置是eye-to-hand（相机固定在外部，不随机械臂运动）。

eye-to-hand的标定方程略有不同。此时要求的是相机坐标系到机械臂基座坐标系的变换。方程变为：

T_B←E1 · T_E←C · T_C1←T = T_B←E2 · T_E←C · T_C2←T

其中T_E←C是末端到相机的变换（固定不变），需要求解。整理后仍然是AX=XB的形式，但A和B的定义不同。

OpenCV的calibrateHandEye函数同时支持这两种配置，只需要正确设置输入参数即可。对于eye-to-hand，R_gripper2base和t_gripper2base应该替换为R_base2gripper和t_base2gripper。

9.2 不同机械臂的适配要点

不同品牌的机械臂，位姿的表示方式和坐标系定义不同。以下是一些常见机械臂的适配要点：

注意：有些机械臂的位姿是相对于工具坐标系的，不是法兰盘。标定前一定要确认清楚。

9.3 相机类型的影响

RGB相机和RGB-D相机在手眼标定中的差异主要在于深度信息的获取。RGB相机需要通过标定板的已知尺寸来推算深度，而RGB-D相机可以直接获取深度。

但RGB-D相机的深度图通常有噪声，而且深度范围有限。如果标定板距离相机太远，深度值可能不准确。建议标定板距离相机在0.3到1.0米之间。

另外，RGB-D相机的深度图和彩色图可能没有对齐，需要先做对齐处理。OpenCV提供了cv2.rgbd.registerDepth等函数，但实际使用中通常用相机的SDK来做对齐。

10. 标定流程的自动化与工程化

10.1 自动化采集脚本的设计

手动采集数据效率低且容易出错。可以写一个自动化脚本，让机械臂自动走一系列预设位姿，在每个位姿处自动采集图像并记录位姿。

def auto_calibration(robot, camera, poses_list, save_dir): """自动化手眼标定数据采集 robot: 机械臂控制对象 camera: 相机对象 poses_list: 预设的机械臂位姿列表 save_dir: 数据保存目录 """ data_records = [] for i, pose in enumerate(poses_list): # 移动机械臂 robot.move_to(pose) time.sleep(1.0) # 等待机械臂稳定 # 读取实际位姿 actual_pose = robot.get_pose() # 采集图像 img = camera.capture() img_path = f"{save_dir}/image_{i:03d}.png" cv2.imwrite(img_path, img) # 记录数据 data_records.append([img_path] + list(actual_pose)) # 保存CSV np.savetxt(f"{save_dir}/robot_poses.csv", data_records, delimiter=',', fmt='%s') return data_records

10.2 标定结果的持久化

标定结果需要保存下来，供后续抓取程序使用。推荐用YAML或JSON格式保存，方便读取和修改。

import yaml def save_hand_eye_calibration(T_cam2gripper, filepath): """保存手眼标定结果到YAML文件""" data = { 'rotation_matrix': T_cam2gripper[:3, :3].tolist(), 'translation_vector': T_cam2gripper[:3, 3].tolist(), 'transform_matrix': T_cam2gripper.tolist() } with open(filepath, 'w') as f: yaml.dump(data, f)

10.3 标定质量的自动评估

在自动化流程中，可以加入自动评估环节。如果标定质量不达标，自动提示重新采集数据。

def evaluate_calibration(T_cam2gripper, R_gripper2base, t_gripper2base, R_target2cam, t_target2cam, threshold=0.003): """评估标定质量，返回是否通过""" errors = [] for i in range(len(R_gripper2base)): T_gb = np.eye(4) T_gb[:3, :3] = R_gripper2base[i] T_gb[:3, 3] = t_gripper2base[i] T_tc = np.eye(4) T_tc[:3, :3] = R_target2cam[i] T_tc[:3, 3] = t_target2cam[i] T_bt = T_gb @ T_cam2gripper @ T_tc errors.append(T_bt[:3, 3]) errors = np.array(errors) std = np.std(errors, axis=0) max_std = np.max(std) if max_std < threshold: print(f"标定质量合格，最大标准差：{max_std*1000:.2f}mm") return True else: print(f"标定质量不合格，最大标准差：{max_std*1000:.2f}mm") return False

11. 我踩过的那些坑

11.1 标定板移动了

这是最隐蔽的坑。标定过程中，标定板必须固定不动。但有时候标定板会被碰到，或者固定不牢导致微小移动。这种移动在单张图像上看不出来，但会导致标定结果完全错误。

解决方法：标定板用夹具固定，标定前后拍照确认标定板位置没有变化。

11.2 机械臂位姿读数延迟

有些机械臂的位姿读数有延迟，即get_pose()返回的是上一次运动后的位姿，而不是当前位姿。如果运动后立即读取，可能读到旧数据。

解决方法：运动后等待足够长时间（1-2秒），或者用机械臂的回调机制确认运动完成。

11.3 相机内参不匹配

如果标定手眼时使用的相机内参与实际相机不匹配（比如换了镜头但没重新标定内参），标定结果会有系统偏差。

解决方法：每次更换镜头或调整焦距后，重新标定相机内参。

11.4 标定板角点检测的亚像素精度

findChessboardCorners返回的角点坐标是整数像素，需要用cornerSubPix做亚像素精化。如果跳过这一步，角点精度只有1像素左右，标定结果会有明显偏差。

解决方法：始终使用cornerSubPix，窗口大小设为(11,11)或(5,5)，迭代次数30次以上。

11.5 机械臂运动学误差

工业机械臂的重复定位精度通常很高（0.1毫米级别），但绝对定位精度可能差很多（几毫米）。如果机械臂的绝对定位精度不高，手眼标定的精度也会受限。

解决方法：如果机械臂绝对定位精度不够，可以考虑用激光跟踪仪等外部测量设备辅助标定，或者使用视觉伺服在抓取时进行微调。

12. 标定之后的验证与迭代

手眼标定不是一次性的工作。随着机械臂的使用，机械结构可能会有微小变化，标定结果会逐渐漂移。建议定期（比如每周或每月）重新标定，或者在抓取精度下降时重新标定。

验证标定结果是否仍然有效，最简单的方法是：让机械臂去抓取一个固定位置的目标，看抓取成功率。如果成功率下降，说明标定需要更新。

另外，如果机械臂的工作空间发生了变化（比如更换了底座位置），也需要重新标定。

我在实际项目中的做法是：把标定程序做成一个独立的工具，每次需要标定时运行一遍，10分钟内完成数据采集和标定。这样即使需要频繁标定，也不会占用太多时间。

最后分享一个小技巧：标定完成后，把标定结果和标定时的数据一起存档。如果以后出现问题，可以回溯到标定时的状态，对比分析是标定问题还是其他问题。这个习惯帮我省了很多排查时间。