机器人抓取偏了几毫米，第一反应通常去查标定。我踩过一次反过来的坑：标定参数本身没问题，是 TF 树里少了一个关节，标定把这个结构性错误一起吸收进去了。

所以现在遇到“标定不准”，我会先去看树结构和关节值来源，再碰标定参数。

外参本身也不是一个精确常数。它是个带误差和适用范围的估计值，跟采集时的构型、运动范围、标定板可见性都有关。只报一个最终残差，看不出这组参数在真实工作空间里靠不靠得住。

确定相机装在哪→采多组位姿和观测→建立 AX = XB 约束→变换空间求外参→回到任务空间看残差→写清失效条件
标定证据链求解形式、采集构型和验证方式一起决定这组外参能不能被任务信任。
Eye-in-Hand相机在末端，标的是相机与法兰的关系。Eye-to-Hand相机在外部，标的是相机与基座的关系。AX = XB两次位姿之间的运动约束，两种装法已知量不同。构型覆盖只在一个小范围转动，有些自由度几乎不可观测。求解空间旋转平移量级不同，混着解会放大旋转误差。任务验证最终看的是重投影或抓取点误差。

先把两种装法分开

Eye-in-Hand：相机在末端，跟着机械臂动，标的是相机到末端法兰的关系。近距观察和随动抓取常用它，但线缆、遮挡和运动模糊都会影响采集。

Eye-to-Hand：相机固定在外部支架上，标的是相机到机器人基座的关系。视角稳定，但工作空间受视场限制，标定时要确保机械臂本体不挡住标定板。

两种装法经常都写成同一个 AX = XB，但哪个量已知、哪个量待求是不一样的。把公式和参数混用，是“看着差不多但就是抓不准”的常见来源之一。

约束是怎么来的

机械臂在两个位姿间移动，相机对标定板的观测跟着变。同一段物理运动，从机器人侧描述和从相机侧描述应当一致，这个一致性就是矩阵方程。

单个位姿差给不出完整解，因为旋转和平移耦合在一起。所以要多组运动，而且旋转轴要尽量散开。如果所有采集位姿都绕同一个轴小角度转，其他方向的约束就很弱，结果对噪声极其敏感。

采集时的几个经验：标定板在每个位姿都要完整可见；覆盖实际会用到的区域；别让关节靠近奇异位形；把每组关节值和图像都存下来，方便事后复算而不是重采。

旋转和平移别一起解

这是我见过最多的坑：把旋转和平移塞进同一个最小二乘。两者量纲不同，旋转误差会主导残差，把平移压到不合理的值上。

常规做法是先用旋转部分解出旋转，再回代求平移。历史上有很多种解法和变体，对噪声的敏感度不一样。不管用哪种，我都会保留中间量——如果旋转解本身就发散，后面的平移基本不可能可靠。

解完至少看两件事：每组重投影误差的分布，以及外参在不同子集上的稳定性。把数据随机分成两半分别求，如果两组外参差得很多，说明采集构型不够，或者数据里有明显的坏点。

用任务指标验，别只看方程残差

方程残差降下来不等于任务能用。更贴近使用的检查是：用标定外参把相机看到的目标位置变换到机器人坐标系，跟机器人实际到的位置比。这个误差才跟抓取成败直接相关。

1
2
3
4
5
# 记录验证点的关节值和对应图像
ros2 bag record /joint_states /camera/image_raw /camera/camera_info

# 用外参把检测结果变换到机器人坐标系
ros2 run my_robot transform_probe --once

验证点要铺在标定覆盖范围内以及边缘。只在中心附近验，误差看着很小，但任务实际发生在边界上的时候就露馅了。

失效条件得写下来

外参不是一劳永逸的。碰撞、换工具、相机支架松动、镜头重新装调、温度明显变化，都可能让它变掉。工程上至少记录标定时间、用了哪些构型、残差指标，以及什么情况下必须重标。

没验证的范围也要写清楚。只做过静态标定，推不出动态也准；只在一个子区域验过，推不到整个工作空间；只用仿真和虚拟标定板，替代不了真实相机加真实板子。

参考资料

证据边界：本文不含任何具体机器人、相机或标定板上的实测精度。文中的误差量和适用范围都要在实际系统上单独测；仿真、虚拟标定板和静态采集替代不了真实任务里的验证结论。