SungChan1. 机械臂手眼标定系统深度解析
作为一名在工业自动化领域摸爬滚打多年的工程师，我深知手眼标定是机器人视觉系统中最基础也最关键的环节。今天要分享的这套手眼标定系统，是我在实际项目中经过多次迭代优化的成果，支持"眼在手上"和"眼在手外"两种经典模式。不同于市面上简单的标定教程，本文将深入解析系统架构、数学原理和工程实现细节，带你真正掌握工业级标定的核心技术。
1.1 系统架构设计
这套标定系统的核心价值在于其模块化设计，将复杂的标定流程拆解为可独立验证的功能单元。整个项目采用Python实现，主要包含以下核心模块：
- 数据采集模块：实现机械臂位姿与相机图像的严格同步采集
- 标定计算模块：分别处理眼在手上和眼在手外两种模式的矩阵求解
- 辅助工具库：提供位姿转换、日志管理等基础设施
- 配置管理系统：通过YAML文件统一管理标定参数
这种架构设计使得系统具备良好的扩展性。例如当需要支持新的机械臂型号时，只需修改位姿采集模块；当标定算法需要升级时，可以保持其他模块不变。在实际部署中，这种模块化设计大大降低了维护成本。
提示：工业场景中建议采用ROS框架封装各模块，利用其消息机制实现更可靠的数据同步。但当前实现已能满足大部分基础需求。
1.2 数学原理精要
手眼标定的本质是求解"AX=XB"方程，但两种模式的物理含义和数学表达存在关键差异：
眼在手上模式：
- 物理场景：相机安装在机械臂末端
- 待求矩阵：X = H_CAM^EE（相机到末端的变换）
- 核心方程：A2⁻¹A1X = XB2B1⁻¹
- 其中A表示末端在基座标系下的运动，B表示标定板在相机坐标系下的运动
眼在手外模式：
- 物理场景：相机固定在工作空间
- 待求矩阵：X = H_CAM^ROB（相机到基座的变换）
- 方程形式相同，但A矩阵含义变为基座在末端坐标系下的运动
理解这个区别至关重要。在实际编码中，两种模式共享大部分计算流程，仅在位姿矩阵处理环节有差异。这也是为什么项目中会有save_poses.py和save_poses2.py两个相似但不同的位姿处理文件。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心实现细节剖析
2.1 数据采集的工程实践
数据采集的质量直接决定标定精度。collect_data.py模块实