机械臂EIH手眼标定原理与工程实践详解

1. 工业3D视觉标定中的EIH问题本质

在机械臂视觉引导系统中，"眼在手上"（Eye-in-Hand，EIH）是最典型的安装方式之一。这种方式将相机直接安装在机械臂末端，相当于给机械臂装上了"眼睛"。与固定安装的"眼在手外"（Eye-to-Hand，ETH）方式相比，EIH配置具有视野随机械臂运动、灵活性强等优势，但也带来了标定复杂度显著提升的挑战。

EIH标定的核心数学问题可以描述为：已知相机与机械臂末端工具坐标系之间的固定变换关系（即手眼关系），求解相机坐标系与机器人基坐标系之间的动态映射。当机械臂运动时，这个映射关系会实时变化，但手眼关系的几何约束始终保持不变。这种不变性正是标定算法得以建立方程组的理论基础。

2. 手眼标定的基本坐标系体系

2.1 四大关键坐标系定义

1. 机器人基坐标系（Base Frame）：固定在机器人底座，作为所有运动的参考基准
2. 工具坐标系（Tool Frame）：定义在机械臂末端执行器上的坐标系
3. 相机坐标系（Camera Frame）：以相机光学中心为原点的三维坐标系
4. 标定板坐标系（Target Frame）：固定在标定板上的已知图案坐标系

2.2 坐标系间的变换关系

• Base→Tool：通过机器人正运动学可得（记为^bT_t）
• Tool→Camera：固定的手眼变换矩阵（记为^tT_c，即待求量X）
• Camera→Target：通过相机标定获得（记为^cT_g）
• Base→Target：标定板在基坐标系中的固定位姿（记为^bT_g）

3. EIH标定的经典方程推导

3.1 运动约束方程建立

当机械臂从位姿1运动到位姿2时，各坐标系关系满足：

code复制^bT_t1 * ^tT_c * ^cT_g = ^bT_t2 * ^tT_c * ^cT_g

化简后得到经典的手眼标定方程：

code复制A * X = X * B

其中：

• A = ^bT_t2^-1 * ^bT_t1（机器人基坐标系下的相对运动）
• B = ^cT_g2 * ^cT_g1^-1（相机坐标系下的相对运动）
• X = ^tT_c（待求的手眼变换矩阵）

3.2 矩阵方程的求解策略

该方程属于特殊的Sylvester方程，常用解法包括：

1. 分离旋转和平移：利用旋转矩阵的正交性，先解旋转部分R，再解平移部分t
2. 四元数法：将旋转表示为四元数形式，建立线性方程组
3. 李代数法：在切空间内建立线性关系，适合噪声较大场景

4. 实际工程实现细节

4.1 数据采集规范

1. 机械臂运动应覆盖工作空间主要区域
2. 相邻位姿间旋转建议15°-30°，平移建议50-200mm
3. 每个位姿需确保标定板完整成像且清晰
4. 典型数据量：15-30组有效位姿

4.2 标定板选择要点

4.3 核心算法实现步骤（Python示例）

python复制def hand_eye_calibration(A_list, B_list):
    # 构造旋转和平移的线性方程组
    M = np.zeros((3*len(A_list), 3))
    b = np.zeros(3*len(A_list))
    
    for i in range(len(A_list)):
        Ra = A_list[i][:3,:3]
        Rb = B_list[i][:3,:3]
        M[3*i:3*i+3, :] = Ra - np.eye(3)
        b[3*i:3*i+3] = (Rb - np.eye(3)) @ t_list[i]
    
    # 求解旋转部分
    R = solve_rotation_axxb(A_list, B_list)
    
    # 求解平移部分
    t = np.linalg.lstsq(M, b, rcond=None)[0]
    
    return construct_transform_matrix(R, t)

5. 工程实践中的关键挑战

5.1 误差来源分析

1. 机械臂运动误差：

   • 重复定位精度影响
   • 温度引起的热变形
   • 负载变化导致的柔性变形

2. 视觉测量误差：

   • 标定板检测亚像素误差
   • 镜头畸变校正残余
   • 图像噪声影响

3. 数学模型误差：

   • 小角度假设的近似
   • 噪声分布的理想化假设
   • 累积误差的传播

5.2 精度提升技巧

1. 运动规划优化：

   • 采用"星型"运动轨迹（从中心向四周辐射）
   • 保证旋转和平移量的充分性
   • 避免纯平移或纯旋转序列

2. 数据筛选策略：

   • 剔除重投影误差大的样本
   • 检查运动幅度的均匀性
   • 验证手眼关系的闭合性

3. 鲁棒求解方法：

   • RANSAC剔除异常点
   • 加权最小二乘法
   • 李代数上的优化

6. 标定结果验证方法

6.1 定量评估指标

1. 重投影误差：将标定板角点投影到图像空间的RMS误差（应<0.5像素）
2. 运动一致性误差：检查不同路径下的手眼关系一致性
3. 末端重复性测试：固定目标点的视觉伺服重复精度

6.2 典型问题诊断表

7. 先进方法与发展趋势

7.1 基于深度学习的标定方法

1. 端到端标定网络：直接回归手眼矩阵
2. 特征提取优化：改进标定板检测鲁棒性
3. 误差预测模型：估计标定结果的不确定性

7.2 在线标定技术

1. 视觉-惯性融合：结合IMU数据进行动态标定
2. 环境特征利用：利用工作场景中的自然特征
3. 自适应更新机制：根据运行时数据自动优化

在实际项目中，我们曾遇到机械臂负载变化导致标定结果漂移的问题。通过分析发现，末端执行器的重量变化会引起约0.1mm的柔性变形。最终的解决方案是在不同负载下分别标定，然后建立负载-变形补偿模型。这个经验告诉我们，EIH标定不是一次性的工作，而需要根据实际工况建立完整的误差补偿体系。