來源：https://blog.csdn.net/2403_87969572/article/details/155994460

抓取時間（ISO本地）：2026-05-18 05:17:21

---

文章目錄

• 前言
• 一、相關概念闡述
• • 1.1 核心座標系定義
  • 1.2 齊次變換矩陣
  • 1.3 相機內參與外參
  • 1.4 手眼標定的兩種核心架構
• 二、手眼標定原理解釋
• • 2.1 Eye-in-Hand（眼在手上）系統原理
  • • 2.1.1 系統結構特點
    • 2.1.2 變換回路構建
    • 2.1.3 方程簡化（AX=XB形式）
  • 2.2 Eye-to-Hand（眼在手外）系統原理
  • • 2.2.1 系統結構特點
    • 2.2.2 變換回路構建
    • 2.2.3 方程簡化（AX=XB形式）
• 三、數學推演：AX=XB方程的求解
• • 3.1 方程本質分析
  • • 3.1.1 旋轉部分求解（R）
    • 3.1.2 平移部分求解（t）
    • 3.1.3 完整解X的構成
  • 3.2 常用求解算法對比
  • 3.3 多組數據融合（提高標定精度）
• 四、實際應用與操作指南
• • 4.1 典型應用場景
  • • 4.1.1 工業自動化抓取
    • 4.1.2 精密裝配與測量
    • 4.1.3 視覺伺服控制
    • 4.1.4 醫療機器人與科研場景
  • 4.2 實際操作步驟（以Eye-in-Hand為例簡單講解，詳細過程會發在後續的博客）
  • • 4.2.1 前期準備
    • 4.2.2 具體操作流程
    • 4.3 關鍵注意事項
  • 五、總結與展望

前言

在機器人與計算機視覺的交叉領域，精確的空間座標映射是實現機械臂與環境高效交互的核心前提。想象這樣一個場景：工業機器人需要從傳送帶上抓取隨機擺放的零件，或是服務機器人要精準拾取用戶指定的物品——相機作為“眼睛”能識別目標的位置，但機械臂作為“手”卻只理解自身座標系下的指令。如何讓“眼”看到的信息準確傳遞給“手”？手眼標定正是解決這一問題的關鍵技術。
手眼標定的本質是建立相機座標系與機械臂座標系之間的剛性變換關係，通過這一關係，可將相機檢測到的目標座標實時轉換為機械臂能夠執行的運動指令。無論是工業生產中的自動化抓取、精密裝配，還是科研領域的視覺伺服控制、動態環境交互，手眼標定都扮演著不可或缺的角色。
本文將從基礎概念出發，系統拆解手眼標定的兩種核心架構（Eye-in-Hand與Eye-to-Hand），深入推導其數學原理，詳解AX=XB方程的由來與求解方法，並結合實際應用場景說明標定過程中的關鍵注意事項，為從事機器人視覺相關工作的開發者和研究者提供一份全面、可落地的技術指南。

一、相關概念闡述

在深入原理之前，我們需要明確手眼標定涉及的核心概念與基礎工具，這是理解後續內容的前提。

1.1 核心座標系定義

手眼標定的本質是座標系間的變換，需明確以下4個關鍵座標系：

• 機械臂基座座標系（Base Frame, B {B} B）：機械臂的基準座標系，固定於機械臂基座，是機械臂運動計算的參考基準，所有關節運動均相對於該座標系描述。
• 機械臂末端座標系（End-effector Frame, E {E} E）：固定於機械臂末端執行器（如夾爪），用於描述末端執行器的實時位姿（位置+姿態），可通過機械臂API直接讀取。
• 相機座標系（Camera Frame, C {C} C）：以相機光心為原點的三維座標系，X軸與Y軸平行於圖像平面，Z軸為相機光軸方向（遵循右手定則），用於描述目標在相機視野中的三維位置。
• 標定板座標系（Checkerboard Frame, W {W} W）：固定於標定板（通常為棋盤格）的局部座標系，原點一般設為標定板左上角角點，用於提供已知的三維特徵點，作為座標變換的“橋樑”。

1.2 齊次變換矩陣

空間中點的位姿（位置+姿態）變換需通過4×4齊次變換矩陣描述，其形式如下：

T

[ R t 0 T 1 ] T = \begin{bmatrix} R & t \ 0^T & 1 \end{bmatrix} T=[R0T​t1​]
其中：

• R R R 是3×3旋轉矩陣，描述兩個座標系間的姿態關係，滿足 R T R

  I R^T R = I RTR=I（正交性）和 det ⁡ ( R )

  1 \det(R)=1 det(R)=1（右手座標系）；
• t t t 是3×1平移向量，描述目標座標系原點相對於參考座標系的位置；

• 0 T

  [ 0 , 0 , 0 ] 0^T = [0,0,0] 0T=[0,0,0]，用於保持齊次座標的數學一致性。
  齊次變換矩陣具有複合性：若存在座標系A→B的變換 T A B T_{AB} TAB​ 和 B→C的變換 T B C T_{BC} TBC​，則A→C的變換為 T A C

  T A B × T B C T_{AC} = T_{AB} \times T_{BC} TAC​=TAB​×TBC​（矩陣乘法），這是手眼標定數學推演的核心基礎。

1.3 相機內參與外參

手眼標定依賴相機的參數標定結果，需明確內參與外參的區別：

• 內參（Intrinsic Parameters）：描述相機自身的光學特性，與外部環境無關，包括焦距（ f x , f y f_x, f_y fx​,fy​）、主點座標（ c x , c y c_x, c_y cx​,cy​）、畸變係數（ k 1 , k 2 , p 1 , p 2 k_1, k_2, p_1, p_2 k1​,k2​,p1​,p2​ 等）。內參通過張正友標定法等可預先求解，是將相機像素座標轉換為相機座標系下三維座標的前提。

• 外參（Extrinsic Parameters）：描述相機座標系相對於世界座標系（此處為標定板座標系）的變換關係（旋轉矩陣 R C W R_{CW} RCW​ + 平移向量 t C W t_{CW} tCW​），即 T C W

  [ R C W t C W 0 T 1 ] T_{CW} = \begin{bmatrix} R_{CW} & t_{CW} \ 0^T & 1 \end{bmatrix} TCW​=[RCW​0T​tCW​1​]。外參需通過拍攝標定板圖像求解，是手眼標定中的關鍵中間量。

1.4 手眼標定的兩種核心架構

根據相機與機械臂的安裝關係，手眼標定分為兩種典型架構，其標定目標和實現方式存在本質差異：

架構類型	安裝方式	核心特點	標定目標
Eye-in-Hand（眼在手上）	相機固定於機械臂末端執行器	相機隨機械臂運動，機械臂基座與標定板固定	相機座標系相對於機械臂末端座標系的變換 T E C T_{EC} TEC​（即X）
Eye-to-Hand（眼在手外）	相機固定於機械臂基座或外部支架	相機與機械臂基座固定，標定板固定於機械臂末端	相機座標系相對於機械臂基座座標系的變換 T B C T_{BC} TBC​（即X）

二、手眼標定原理解釋

手眼標定的核心邏輯是：通過機械臂的已知運動和相機拍攝的標定板圖像，構建座標系變換的閉合迴路，從而建立關於未知變換矩陣X的方程，最終求解X。以下分別針對兩種架構詳細解析原理。

2.1 Eye-in-Hand（眼在手上）系統原理

2.1.1 系統結構特點

• 相機與機械臂末端剛性連接，機械臂運動時相機同步運動；
• 標定板固定於工作臺（與機械臂基座座標系相對靜止）；
• 已知量：機械臂末端在基座座標系下的位姿（ T B E 1 , T B E 2 , … , T B E n T_{BE_1}, T_{BE_2}, …, T_{BE_n} TBE1​​,TBE2​​,…,TBEn​​）；
• 可求解量：相機相對於標定板的外參（ T C W 1 , T C W 2 , … , T C W n T_{CW_1}, T_{CW_2}, …, T_{CW_n} TCW1​​,TCW2​​,…,TCWn​​）；
• 未知量：相機與機械臂末端的變換 T E C T_{EC} TEC​（即X，需標定求解）。

2.1.2 變換回路構建

當機械臂帶動相機運動兩次，到達兩個不同位姿 E 1 E_1 E1​ 和 E 2 E_2 E2​ 時，我們可以構建兩個閉合的座標變換回路：

1. 第一次運動（位姿1）：機械臂基座 → 末端 E 1 E_1 E1​ → 相機 C 1 C_1 C1​ → 標定板 W W W → 機械臂基座
   變換關係： T B W

   T B E 1 × T E 1 C 1 × T C 1 W T_{BW} = T_{BE_1} \times T_{E_1C_1} \times T_{C_1W} TBW​=TBE1​​×TE1​C1​​×TC1​W​

2. 第二次運動（位姿2）：機械臂基座 → 末端 E 2 E_2 E2​ → 相機 C 2 C_2 C2​ → 標定板 W W W → 機械臂基座
   變換關係： T B W

   T B E 2 × T E 2 C 2 × T C 2 W T_{BW} = T_{BE_2} \times T_{E_2C_2} \times T_{C_2W} TBW​=TBE2​​×TE2​C2​​×TC2​W​
   由於標定板與機械臂基座相對靜止， T B W T_{BW} TBW​ 是固定不變的；同時，相機與機械臂末端剛性連接， T E 1 C 1

   T E 2 C 2

   X T_{E_1C_1} = T_{E_2C_2} = X TE1​C1​​=TE2​C2​​=X（未知變換矩陣）。因此：

   T B E 1 × X × T C 1 W

   T B E 2 × X × T C 2 W T_{BE_1} \times X \times T_{C_1W} = T_{BE_2} \times X \times T_{C_2W} TBE1​​×X×TC1​W​=TBE2​​×X×TC2​W​

2.1.3 方程簡化（AX=XB形式）

定義兩個關鍵變換：

• A

  T B E 1 − 1 × T B E 2 A = T_{BE_1}^{-1} \times T_{BE_2} A=TBE1​−1​×TBE2​​：機械臂末端從位姿1到位姿2的相對變換（已知，由機械臂API讀取的位姿計算）；

• B

  T C 1 W × T C 2 W − 1 B = T_{C_1W} \times T_{C_2W}^{-1} B=TC1​W​×TC2​W−1​：相機座標系從位姿1到位姿2的相對變換（已知，由兩次拍攝的標定板外參計算）。
  將上述定義代入變換回路方程，兩邊左乘 T B E 1 − 1 T_{BE_1}^{-1} TBE1​−1​，整理後得到：

  X × B

  A × X X \times B = A \times X X×B=A×X
  即：

  A X

  X B A X = X B AX=XB
  這就是Eye-in-Hand系統手眼標定的核心方程，求解該方程即可得到相機與機械臂末端的變換矩陣X。

2.2 Eye-to-Hand（眼在手外）系統原理

2.2.1 系統結構特點

• 相機固定於機械臂基座或外部支架（與基座座標系相對靜止）；
• 標定板與機械臂末端剛性連接，機械臂運動時標定板同步運動；
• 已知量：機械臂末端在基座座標系下的位姿（ T B E 1 , T B E 2 , … , T B E n T_{BE_1}, T_{BE_2}, …, T_{BE_n} TBE1​​,TBE2​​,…,TBEn​​）；
• 可求解量：相機相對於標定板的外參（ T C W 1 , T C W 2 , … , T C W n T_{CW_1}, T_{CW_2}, …, T_{CW_n} TCW1​​,TCW2​​,…,TCWn​​）；
• 未知量：相機與機械臂基座的變換 T B C T_{BC} TBC​（即X，需標定求解）。

2.2.2 變換回路構建

當機械臂帶動標定板運動兩次，到達兩個不同位姿 E 1 E_1 E1​（標定板 W 1 W_1 W1​）和 E 2 E_2 E2​（標定板 W 2 W_2 W2​）時，構建閉合變換回路：

1. 第一次運動（位姿1）：機械臂基座 → 相機 C C C → 標定板 W 1 W_1 W1​ → 機械臂末端 E 1 E_1 E1​ → 機械臂基座
   變換關係： T B E 1

   T B C × T C W 1 × T W 1 E 1 T_{BE_1} = T_{BC} \times T_{CW_1} \times T_{W_1E_1} TBE1​​=TBC​×TCW1​​×TW1​E1​​

2. 第二次運動（位姿2）：機械臂基座 → 相機 C C C → 標定板 W 2 W_2 W2​ → 機械臂末端 E 2 E_2 E2​ → 機械臂基座
   變換關係： T B E 2

   T B C × T C W 2 × T W 2 E 2 T_{BE_2} = T_{BC} \times T_{CW_2} \times T_{W_2E_2} TBE2​​=TBC​×TCW2​​×TW2​E2​​
   由於標定板與機械臂末端剛性連接， T W 1 E 1

   T W 2 E 2

   Y T_{W_1E_1} = T_{W_2E_2} = Y TW1​E1​​=TW2​E2​​=Y（固定變換，無需求解）；相機與機械臂基座相對靜止， T B C

   X T_{BC} = X TBC​=X（未知變換矩陣）。因此：

   T B E 1

   X × T C W 1 × Y T_{BE_1} = X \times T_{CW_1} \times Y TBE1​​=X×TCW1​​×Y

   T B E 2

   X × T C W 2 × Y T_{BE_2} = X \times T_{CW_2} \times Y TBE2​​=X×TCW2​​×Y

2.2.3 方程簡化（AX=XB形式）

定義兩個關鍵變換：

• A

  T B E 1 − 1 × T B E 2 A = T_{BE_1}^{-1} \times T_{BE_2} A=TBE1​−1​×TBE2​​：機械臂末端從位姿1到位姿2的相對變換（已知）；

• B

  T C W 1 − 1 × T C W 2 B = T_{CW_1}^{-1} \times T_{CW_2} B=TCW1​−1​×TCW2​​：標定板（相對於相機）從位姿1到位姿2的相對變換（已知）。
  將兩個迴路方程變形為 Y

  T C W 1 − 1 × X − 1 × T B E 1 Y = T_{CW_1}^{-1} \times X^{-1} \times T_{BE_1} Y=TCW1​−1​×X−1×TBE1​​ 和 Y

  T C W 2 − 1 × X − 1 × T B E 2 Y = T_{CW_2}^{-1} \times X^{-1} \times T_{BE_2} Y=TCW2​−1​×X−1×TBE2​​，聯立後整理得到：

  T C W 1 − 1 × X − 1 × T B E 1

  T C W 2 − 1 × X − 1 × T B E 2 T_{CW_1}^{-1} \times X^{-1} \times T_{BE_1} = T_{CW_2}^{-1} \times X^{-1} \times T_{BE_2} TCW1​−1​×X−1×TBE1​​=TCW2​−1​×X−1×TBE2​​
  兩邊左乘 T C W 1 T_{CW_1} TCW1​​、右乘 T B E 2 − 1 × X T_{BE_2}^{-1} \times X TBE2​−1​×X，最終化簡為：

  A X

  X B A X = X B AX=XB
  驚喜的是，Eye-to-Hand系統的核心方程與Eye-in-Hand完全一致！二者的區別僅在於A和B的物理含義不同，但數學求解方法完全通用——這體現了手眼標定的數學統一性。

三、數學推演：AX=XB方程的求解

3.1 方程本質分析

AX=XB是一個關於4×4齊次變換矩陣X的非線性方程組，其中A和B是已知的4×4齊次變換矩陣（由機械臂運動和相機標定結果得到）。將X拆分為旋轉矩陣R（3×3）和平移向量t（3×1），則方程可分解為旋轉部分和平移部分的求解：

3.1.1 旋轉部分求解（R）

齊次變換矩陣的旋轉部分滿足： A R R

R B R A_R R = R B_R AR​R=RBR​，其中 A R A_R AR​ 和 B R B_R BR​ 分別是A和B的3×3旋轉矩陣。這是一個矩陣方程，可通過正交 Procrustes 問題或Tsai-Lenz算法求解。
以正交Procrustes方法為例，其核心思想是將方程轉化為最小二乘問題：

min ⁡ R ∥ A R R − R B R ∥ F 2 \min_R | A_R R - R B_R |_F^2 Rmin​∥AR​R−RBR​∥F2​
其中 ∥ ⋅ ∥ F | \cdot |_F ∥⋅∥F​ 是Frobenius範數。通過矩陣向量化和奇異值分解（SVD），可解得：

R

U V T R = U V^T R=UVT
其中U和V是矩陣 M

∑ i

1 n ( B R i ) T A R i M = \sum_{i=1}^n (B_R^i)^T A_R^i M=∑i=1n​(BRi​)TARi​ 的奇異值分解結果（ M

U Σ V T M = U \Sigma V^T M=UΣVT），n為機械臂運動的次數（通常採集10~20組數據以提高精度）。

3.1.2 平移部分求解（t）

當旋轉矩陣R求解完成後，平移部分滿足線性方程：

A R t − t

− A t + R B t A_R t - t = -A_t + R B_t AR​t−t=−At​+RBt​
其中 A t A_t At​ 和 B t B_t Bt​ 分別是A和B的3×1平移向量。將方程整理為：

( A R − I ) t

R B t − A t (A_R - I) t = R B_t - A_t (AR​−I)t=RBt​−At​
這是一個線性方程組 C t

d C t = d Ct=d（其中 C

A R − I C = A_R - I C=AR​−I， d

R B t − A t d = R B_t - A_t d=RBt​−At​），可通過最小二乘法求解：

t

( C T C ) − 1 C T d t = (C^T C)^{-1} C^T d t=(CTC)−1CTd

3.1.3 完整解X的構成

將求解得到的旋轉矩陣R和平移向量t代入齊次變換矩陣形式，即可得到完整的變換矩陣X：

X

[ R t 0 T 1 ] X = \begin{bmatrix} R & t \ 0^T & 1 \end{bmatrix} X=[R0T​t1​]

3.2 常用求解算法對比

AX=XB方程的求解算法有多種，不同算法在精度、效率和魯棒性上各有優劣，適用於不同場景：

算法名稱	核心特點	精度	效率	適用場景
Tsai-Lenz算法	分離旋轉和平移求解，經典算法	中高	高	工業場景實時標定、算力有限的嵌入式平臺
迭代法（如Newton-Raphson）	基於非線性優化，迭代收斂	高	中	高精度需求場景（如精密裝配）
解析法（Procrustes+最小二乘）	閉式解，無迭代，穩定性強	中	高	快速標定、多組數據融合
基於李代數的方法	將旋轉和平移轉化為向量空間求解，數學嚴謹	高	中	學術研究、複雜場景標定
在實際應用中，Tsai-Lenz算法因兼顧精度和效率，是工業界應用最廣泛的方法；若需更高精度，可採用迭代法或融合多組數據的解析法。

3.3 多組數據融合（提高標定精度）

僅通過兩次機械臂運動（一組A和B）求解X，精度往往較低。實際標定中通常採集1020組數據（機械臂運動1020個不同位姿，每次拍攝標定板圖像並記錄機械臂位姿），通過以下方式融合：

1. 對每組數據（ A i , B i A_i, B_i Ai​,Bi​），構建方程 A i X

   X B i A_i X = X B_i Ai​X=XBi​；

2. 將所有方程轉化為統一的線性方程組 M x

   0 M x = 0 Mx=0（其中x是X的向量化形式）；
3. 通過最小二乘法求解超定方程組，得到最優解X。
   多組數據融合可有效抑制測量噪聲（如機械臂運動誤差、相機標定誤差），顯著提高標定精度——這是實際操作中不可或缺的步驟。

四、實際應用與操作指南

4.1 典型應用場景

手眼標定的核心價值是實現“視覺引導機械臂”，其典型應用場景包括：

4.1.1 工業自動化抓取

• 場景：傳送帶上隨機擺放的零件抓取、無序堆疊物料的分揀；
• 流程：相機拍攝目標→識別目標在相機座標系下的座標→通過手眼標定變換矩陣X轉換為機械臂基座座標系座標→機械臂運動至目標位置完成抓取；
• 要求：標定精度需達到±0.1~±1mm（根據零件尺寸調整）。

4.1.2 精密裝配與測量

• 場景：電子元器件焊接、微小零件裝配、產品尺寸在線檢測；
• 流程：相機拍攝裝配目標或被測物體→通過標定轉換為機械臂座標→機械臂執行精密定位或測量動作；
• 要求：標定精度需達到±0.01~±0.1mm，需結合高精度標定板和相機。

4.1.3 視覺伺服控制

• 場景：機械臂跟蹤動態目標、柔性環境下的自適應操作；
• 原理：通過相機實時反饋目標位置偏差，結合手眼標定關係，動態調整機械臂運動指令；
• 要求：標定魯棒性強，需抵抗動態環境中的噪聲干擾。

4.1.4 醫療機器人與科研場景

• 場景：手術機器人精準操作、機器人輔助實驗平臺；
• 特點：對標定精度和安全性要求極高，需結合無菌標定板和高精度傳感器。

4.2 實際操作步驟（以Eye-in-Hand為例簡單講解，詳細過程會發在後續的博客）

4.2.1 前期準備

1. 硬件選型：
   • 相機：工業相機（推薦分辨率≥1280×960，幀率≥30fps），若需三維定位可選用深度相機（如Kinect、Realsense）；
   • 標定板：棋盤格標定板（格子尺寸建議5~20mm，根據工作空間大小選擇，需保證平整度）；
   • 機械臂：帶API接口的工業機械臂或協作機械臂（支持讀取末端位姿，重複定位精度≤±0.1mm）。
2. 軟件工具：
   • 相機標定：OpenCV（張正友標定法）、Matlab Camera Calibrator Toolbox；
   • 手眼標定：OpenCV（自定義求解AX=XB）、Robotics Toolbox（Matlab/Python）、ROS（Robot Operating System）內置手眼標定包。

4.2.2 具體操作流程

1. 相機內參標定：
   • 拍攝10~20張不同角度、不同距離的標定板圖像；
   • 使用OpenCV或Matlab工具求解相機內參矩陣和畸變係數，保存結果用於後續外參計算。
2. 機械臂與相機安裝：
   • 將相機固定於機械臂末端（確保剛性連接，無鬆動）；
   • 將標定板固定於工作臺（與機械臂基座相對靜止，確保無位移）。
3. 數據採集：
   • 控制機械臂運動至不同位姿（建議10~20個），每次運動後確保相機能清晰拍攝到標定板（標定板需佔據圖像中心區域，無嚴重畸變）；
   • 記錄每個位姿下的機械臂末端位姿 T B E i T_{BE_i} TBEi​​（通過機械臂API讀取）；
   • 拍攝每個位姿下的標定板圖像，使用相機內參求解外參 T C W i T_{CW_i} TCWi​​（旋轉矩陣+平移向量）。
4. 求解手眼變換矩陣X：

   • 對每組相鄰位姿數據，計算機械臂相對變換 A i

     T B E i − 1 − 1 × T B E i A_i = T_{BE_{i-1}}^{-1} \times T_{BE_i} Ai​=TBEi−1​−1​×TBEi​​ 和相機相對變換 B i

     T C W i − 1 × T C W i − 1 B_i = T_{CW_{i-1}} \times T_{CW_i}^{-1} Bi​=TCWi−1​​×TCWi​−1​；
   • 採用Tsai-Lenz算法或多組數據融合法求解AX=XB，得到X（相機與機械臂末端的變換矩陣）。
5. 標定精度驗證：
   • 選取一個未參與標定的機械臂位姿，拍攝標定板圖像，得到目標在相機座標系下的座標 P C P_C PC​；

   • 通過X將 P C P_C PC​ 轉換為機械臂末端座標系座標 P E

     X × P C P_E = X \times P_C PE​=X×PC​；
   • 機械臂運動至 P E P_E PE​ 對應的基座座標系位置，觀察末端執行器與標定板目標點的重合度——誤差在允許範圍內（如±0.1mm）則標定有效。

4.3 關鍵注意事項

1. 硬件安裝：相機與機械臂末端、標定板與工作臺的連接必須剛性，避免運動過程中產生鬆動或形變（這是標定誤差的主要來源之一）。
2. 數據採集：
   • 機械臂運動範圍需覆蓋工作空間，位姿分佈均勻（避免集中在某一區域）；
   • 拍攝的標定板圖像需清晰，無模糊、反光，標定板角點需完整識別；
   • 數據組數建議不少於15組，組數越多，噪聲抑制效果越好。
3. 誤差控制：
   • 先校準機械臂自身的重複定位精度（若機械臂誤差過大，需先進行機械校準）；
   • 相機標定需考慮畸變校正（尤其是廣角相機，畸變對精度影響顯著）；
   • 標定環境需穩定（避免光照劇烈變化、振動等）。
4. 重新標定時機：
   • 相機或機械臂末端的安裝位置發生變動時；
   • 機械臂進行維護、關節參數調整後；
   • 標定精度驗證不通過時（誤差超過允許範圍）。

五、總結與展望

手眼標定是連接機器人視覺與運動控制的核心技術，其本質是通過座標系變換回路建立AX=XB方程，求解相機與機械臂的剛性變換關係。無論是Eye-in-Hand還是Eye-to-Hand架構，都遵循“已知運動+視覺測量→構建方程→求解變換”的核心邏輯，僅在系統結構和參數定義上存在差異。
在實際應用中，標定精度直接決定了機械臂與環境交互的可靠性——工業場景中需兼顧精度與效率，科研場景中需追求極致精度，而合理的硬件選型、規範的操作流程和多組數據融合是實現高精度標定的關鍵。
未來，隨著深度學習技術的發展，手眼標定正朝著“無標定”“自標定”方向演進：通過深度神經網絡直接學習相機與機械臂的座標映射關係，無需依賴傳統標定板和複雜的數學求解，有望簡化操作流程、提高魯棒性。但在高精度場景中，傳統手眼標定因其數學嚴謹性和穩定性，仍將長期佔據主導地位。
希望本文能為從事機器人視覺相關工作的讀者提供清晰的原理指引和實用的操作參考——手眼標定的核心是理解“座標系變換”，掌握這一核心邏輯後，無論面對何種場景，都能靈活調整方案，實現精準的視覺引導控制。