机器人要抓取一个由相机看到的物体，必须先把相机坐标系里的位置变换到机械臂坐标系。这个变换就是手眼外参。它经常被当作一次性的“标定步骤”处理：跑一段程序，得到一组参数，写进配置，然后当作已知量使用。

问题在于，外参是一个带有误差和适用范围的估计值，不是一个精确常数。它的正确性依赖于采集时的构型、运动范围和标定板的可见性。如果只报告一个最终残差，就无法判断这组参数在真正的工作空间里是否可靠。

确定相机装在腕上还是固定→采集多组位姿与观测→建立 AX = XB 约束→变换空间求外参→回到任务空间验证残差→记录适用范围与失效条件
标定证据链求解形式、采集构型和验证方式共同决定外参能不能被任务信任。
Eye-in-Hand相机固定在末端，标定的是相机与末端法兰的关系。Eye-to-Hand相机固定在外部，标定的是相机与机器人基座的关系。AX = XB两次位姿之间的运动约束，与相机安装方式对应不同的已知量。构型覆盖只在一个小范围内转动，会让某些自由度几乎不可观测。求解空间旋转与平移量级不同，直接混合求解会放大旋转误差。任务验证最终要看重投影或抓取点误差，而不只是方程残差。

先区分两种安装方式

手眼标定有两种典型配置，它们约束的关系不同，容易在沟通中被混为一谈。

Eye-in-Hand：相机装在机械臂末端。随着机械臂运动，相机也在动。标定求解的是相机坐标系到末端法兰坐标系的关系。它适合近距离观察和随动抓取，但容易受末端线缆、遮挡和运动模糊影响。

Eye-to-Hand：相机固定在外部支架上。标定求解的是相机坐标系到机器人基座坐标系的关系。它视角稳定，但工作空间受视场限制，且标定时要保证机械臂本体不会挡住标定板。

两者都常被写成同一个 AX = XB 形式，但哪个量是已知、哪个量是待求不同。把两种配置的公式和参数混用，是标定结果看起来“差不多但抓不准”的常见原因之一。

约束从哪来

核心思路是：机械臂在两个位姿之间移动，相机对标定板的观测也随之变化。同一段物理运动，从机器人侧和从相机侧分别描述，应当互相一致。这个一致性就写成矩阵方程。

单个位姿差给不出完整解，因为旋转和平移的自由度耦合在一起。因此需要多组运动，且这些运动的旋转轴要尽量分散。如果所有采集位姿都围绕同一个轴小角度转动，关于其他方向的约束就很弱，求解结果会对噪声非常敏感。

采集时的几个具体建议：让标定板在多个位姿下都完整可见；覆盖工作空间内实际会用到的区域；避免极端姿态导致关节接近奇异；记录每组的机器人关节值与图像，便于事后复算而不是重新采集。

旋转和平移要分开处理

一个工程上反复出现的坑是：直接把旋转和平移塞进同一个最小二乘里。旋转量和长度量纲不同，旋转误差会主导残差，使平移部分被压缩到不合理的值。

常见做法是先由旋转部分求解旋转，再带回求解平移。历史上有多类解法在处理这个问题，不同解法对噪声的敏感度不同。无论用哪种实现，都建议保留中间量：如果旋转解本身就发散，后面的平移几乎不可能可靠。

求解完成后，至少要检查两件事：每组的重投影误差分布，以及外参在不同子集上的稳定性。把数据随机分成两组分别求解，如果得到的外参差异很大，说明采集构型不足或数据里有明显异常点。

用任务指标验证，而不只用方程残差

方程残差下降不等于任务可用。一个更贴近使用的检查方式是：用标定得到的外参，把相机检测到的目标位置变换到机器人坐标系，再与机器人实际到达位置比较。这个误差才和抓取或对接的成败直接相关。

可以用一个不依赖具体标定库的流程做验证：

1
2
3
4
5
6
7
# 1. 记录验证点的关节值与对应图像
ros2 bag record /joint_states /camera/image_raw /camera/camera_info

# 2. 用标定外参把检测结果变换到机器人坐标系
ros2 run my_robot transform_probe --once

# 3. 与机器人实际到达位置比较，记录误差

验证点应当分布在标定覆盖范围之内和边缘。如果只在标定中心附近验证，误差看起来会很小，但实际任务往往发生在工作空间边界。

失效条件必须写清楚

外参不是永久有效的。机械臂受到碰撞、末端工具更换、相机支架松动、镜头重新装调或温度变化明显时，外参都可能改变。工程上应记录标定时间、使用的构型集合、残差指标，以及触发重新标定的条件。

还要记录未验证的范围。只做过静态标定，不能推出运动中标定同样准确；只在一个工作子区域验证过，不能推广到整个工作空间；只用仿真和虚拟标定板，也不能替代真实相机与标定板的结果。

参考资料

证据边界

本文讨论标定的约束结构、求解注意事项与验证方式，不包含任何具体机器人、相机或标定板上的实测精度数据。文中给出的误差量和适用范围都需在实际系统上单独测量；仿真、虚拟标定板与静态采集不能替代真实任务中的验证结论。