当前位置：首页 > news >正文

手眼标定-眼在手上

news 2025/7/1 17:41:21

前言：

手眼标定是实现视觉抓取的重要过程之一，用于确定相机坐标系与机械臂末端执行器坐标系之间的转换关系。

1、准备标定板

使用棋盘格或ArUco码作为固定标定板，放置在机械臂工作空间内。

1.1位置选择

固定在工作空间内
将标定板（棋盘格或ArUco码）固定在机械臂工作区域的平整表面上，确保机械臂末端携带相机移动到不同位姿时，标定板始终在视野范围内。
避免遮挡
确保标定板周围无遮挡物，机械臂运动时不会碰撞到标定板或其他物体。

1.2尺寸与比例

尺寸适配
标定板大小应与工作空间匹配，建议标定板占据相机视野的1/3~1/2面积。例如：
- 若工作空间为0.5m×0.5m，使用边长0.3m的标定板
- 棋盘格角点数量建议为6×9或7×10（便于检测）
测量精度
精确测量标定板方格的实际边长（例如25mm），并在代码中准确设置参数（SQUARE_SIZE）。

1.3 确定棋盘格角点数量，棋盘格方格边长（米）

1.3.1 确定棋盘格角点数量

棋盘格的角点数量指的是内部交叉点的行数和列数，而非整个棋盘的总行或列数。以下是具体步骤：

物理棋盘格设计
- 若棋盘格有 MM 行和 NN 列黑白相间的方格，则内部角点数量为：
  角点行数=M−1,角点列数=N−1角点行数=M−1,角点列数=N−1
- 示例：
  - 一个实际由 7行×10列方格 组成的棋盘格，其内部角点数量为 6行×9列。
  - 代码中应配置为 CHECKERBOARD = (6, 9)。
选择角点数量的原则
- 检测稳定性：角点数量不宜过少（如4×4以下），否则可能导致标定精度不足。
- 视野适配：确保棋盘格在相机视野中占据 1/3~1/2面积，避免边缘角点被裁剪。
- 常见配置：推荐使用 6×9 或 7×10 的角点布局，平衡检测精度与实用性。

1.3.2 测量棋盘格方格的实际边长

方格的边长是棋盘格的物理尺寸，需精确测量并转换为米单位：

测量方法
- 使用游标卡尺或高精度尺子，测量单个黑白方格的边长。
- 重复测量多个方格并取平均值，减少误差。
- 示例：若测量值为 25.0 mm，则代码中设置为 SQUARE_SIZE = 0.025（米）。
误差控制
- 标定精度对方格边长的测量误差敏感，建议误差控制在 ±0.1 mm 以内。
- 若使用打印的棋盘格，需确保打印分辨率不低于 300 DPI，避免缩放失真。

标定程序中的参数设置

# 标定参数配置示例
CHECKERBOARD = (6, 9)    # 角点行数×列数（非方格数！）
SQUARE_SIZE = 0.025      # 单位：米（需与物理测量一致）

1.3.3 验证棋盘格有效性

角点检测测试

使用OpenCV的 findChessboardCorners 函数验证检测效果：

ret, corners = cv2.findChessboardCorners(gray_image, CHECKERBOARD)
if ret:
    cv2.drawChessboardCorners(image, CHECKERBOARD, corners, ret)

注：合格标准：角点检测稳定，绿色网格线完整覆盖棋盘格（如下图）。

标定误差分析

标定完成后，检查重投影误差（Reprojection Error）：
- 若平均误差 < 0.5像素，说明棋盘格参数设置合理。
- 若误差较大，需检查方格边长测量精度或角点数量配置。

2、数据采集

机械臂末端携带相机移动到不同位姿，满足以下条件：

2.1标定板的放置

光照与环境
- 均匀光照
  避免强光直射或阴影干扰，使用漫反射光源，确保标定板表面光照均匀。
- 背景简洁
  标定板周围背景应为单一颜色（如白色或黑色），避免复杂纹理干扰角点检测。
方向与角度
- 平面对齐
  标定板应尽量与机械臂基座坐标系的一个平面（如XY平面）平行，以简化坐标转换关系。若无法完全平行，至少保证标定板表面平整。
- 多角度覆盖
  机械臂需移动到不同位姿，使标定板在相机视野中呈现多种角度（倾斜、俯视、侧视等），覆盖以下情况：
  - 标定板位于视野中心、左上、右下等位置
  - 标定板与相机成像平面形成不同夹角（30°~60°为佳）

2.2位姿变化包含旋转和平移

2.3采集15-20组有效数据

3、坐标关系

通过AX=XB模型求解相机到机械臂末端的变换矩阵X

部分Python代码：

# ---------------------------- 主程序流程 ----------------------------
def main():
    # 初始化组件
    robot = RobotSimulator()
    calibrator = HandEyeCalibrator()
    cap = cv2.VideoCapture(0)  # 独立初始化相机
    
    # 生成采样位姿（示例，需根据实际工作空间调整）
    sample_poses = [
        [0.0, -0.3, 0.5, 0.2, 0.0],
        [0.5, -0.2, 0.4, -0.3, 0.1],
        # 添加更多位姿...
    ]
    
    # 数据采集循环
    for idx, joints in enumerate(sample_poses[:NUM_CALIB_POSES]):
        # 控制机械臂移动
        robot.move_to_joints(joints)
        
        # 采集图像
        ret, frame = cap.read()
        if not ret:
            continue
            
        # 处理左目图像（假设双目图像左右排列）
        left_frame = frame[:, 0:640]
        
        # 收集数据
        if calibrator.collect_pose_pair(joints, left_frame):
            print(f"成功采集第{len(calibrator.robot_poses)}/{NUM_CALIB_POSES}组数据")
            
        # 显示检测结果
        cv2.imshow("Calibration View", left_frame)
        if cv2.waitKey(1000) & 0xFF == ord('q'):
            break
            
    # 执行标定计算
    try:
        X = calibrator.calculate_calibration()
        print("\n标定矩阵X (camera to end-effector):\n", X)
        np.save(SAVE_PATH, X)
        print(f"标定结果已保存至 {SAVE_PATH}")
    except Exception as e:
        print("标定失败:", str(e))
    
    # 释放资源
    cap.release()
    cv2.destroyAllWindows()