简介这是一个基于ROS的手眼标定完整实战项目适合机器人视觉、机械臂控制领域的开发者和研究人员。资源围绕手眼标定核心问题提供项目源码与流程教程涵盖Tsai-Lenz等标定算法、图像处理、坐标转换等关键环节帮助用户理解并实现相机与机械臂之间的位姿关系求解。压缩包共78个文件包含19个Python脚本、11个.launch启动文件、3个C源文件和头文件、配置文件、日志与CSV数据等整体约5.25MB目录结构清晰便于按模块学习。已有459人学习下载。项目不仅附有可直接运行的源码还提供详细流程教程与实战案例分析可指导用户从环境准备、图像采集到参数求解、结果验证完整走通标定流程。特别针对Aubo与Jaka机械臂通信场景做了适配配合README文档能显著降低上手门槛非常适合作为机器人手眼标定入门到进阶的优质参考项目。1. 手眼标定到底在解什么别急着调参先把坐标变换理清机械臂装上相机后抓取不准多数情况不是视觉算法的问题而是相机坐标系和机械臂基座坐标系之间那个 4×4 变换矩阵没对齐。手眼标定要解的就是这个矩阵数学上最终收敛成 AXXB 的矩阵方程。反直觉的一点是整个过程不需要知道相机相对于机器人装在哪、装成什么角度只要让机械臂带着标定板或者相机走十几组不同姿态记录机械臂末端位姿和标定板在相机下的位姿就能把这个固定变换解出来。这套流程对所有要走视觉抓取、视觉定位、视觉引导装配的 ROS 项目都适用无论是眼在手上的协作臂还是眼在手外的固定相机工位。下面按数据构造、OpenCV 求解、ROS 数据流、结果验证的顺序拆开讲照着做两个小时内能拿到第一版可用的外参。2. 手眼标定原理两种安装构型下的 AXXB 数据构造先明确“手”和“眼”分别指什么。“手”是机械臂末端也就是法兰盘或 tool0 坐标系“眼”是相机。手眼标定的目标是求相机坐标系和某个机器人坐标系之间的固定齐次变换矩阵 H。眼在手上eye-in-hand时相机装在末端标定板固定在外部眼在手外eye-to-hand时相机固定在工作区标定板装在末端法兰上。两种构型在 ROS 项目里都很常见实验数据的格式和 OpenCV 接口的输入约定有细微差别稍不注意就会解出一组“看起来合理、实际全错”的结果。2.1 AXXB 方程为什么成立用 T_gripper2base 表示机械臂末端在基座坐标系下的位姿由机器人正运动学给出用 T_target2cam 表示标定板在相机坐标系下的位姿由 solvePnP 对图像中角点求解得到用 X 表示待求的相机到末端的变换矩阵。同一时刻标定板在基座坐标系下的位姿可以写成T_target2base T_gripper2base × X × T_target2cam其中 T_target2base 是一个常量因为标定板固定在工作台上。取两个不同时刻 i、j 的观测值把上式两边分别求逆后联立可以消掉 T_target2baseinv(T_gripper2base_i) × T_gripper2base_j × X X × T_target2cam_j × inv(T_target2cam_i)这正是 AXXB 的标准形态。OpenCV 的 calibrateHandEye 接受四个输入数组R_gripper2base、t_gripper2base、R_target2cam、t_target2cam输出 R_cam2gripper、t_cam2gripper也就是 X。接口内部已经实现了 Tsai-Lens、Park、Horaud、Andreff、Daniilidis 等算法不需要自己解非线性方程。2.2 眼在手外时怎么套 OpenCV 的接口eye-to-hand 构型下待求量从 cam→tool 变成了 cam→base直接套用接口会得出错误的坐标关系。常见做法是先把采集到的 T_gripper2base 取逆得到 T_base2gripper把 T_target2cam 取逆得到 T_cam2target再喂给同一个接口最后把输出结果取逆得到的就是固定相机在基座坐标系下的位姿。这个换算特别容易写反我一般会在代码里加一步打印验证用任意一组数据重组 T_target2base验证残差小于 1e-6 才继续往下走。构型相机位置待求变换输入 A 来源输入 B 来源输出 X 含义眼在手上装在末端cam→tool末端→基座运动标定板→相机运动cam→tool眼在手外固定在外cam→base基座→末端取逆相机→标定板取逆取逆后 cam→base2.3 数据规范单位、四元数与旋转顺序数据规范是“标定结果看起来能用、一抓就偏”的最大来源。三点必须统一平移单位一律用米很多机械臂 SDK 会返回毫米混合单位会让平移残差差出三个数量级四元数在喂给 OpenCV 前要归一化ROS 消息里的四元数通常已经归一化但从欧拉角手动转过来时容易漏旋转矩阵和四元数互转时OpenCV 的 cv2.Rodrigues 与 tf 的 quaternion_matrix 都遵循右乘、ZYX 顺序约定不要混用不同库的约定。提示采集数据时不要只平移机械臂要确保每两组位姿之间末端旋转角度超过 30°。纯平移会让 AXXB 方程病态标出的平移分量会严重偏离真实值。3. 用 OpenCV calibrateHandEye 在 ROS 环境里跑通最小闭环环境准备以 Ubuntu 20.04 ROS Noetic Python 3 OpenCV 4 为例。如果机器上还没有 ROS小鱼ROS一键安装脚本可以快速搭好基础环境装完再补 opencv-python 和相机驱动相关依赖。下面这套代码可以脱离机械臂用仿真数据跑通也可以直接封装成 ROS 节点接入真实数据。3.1 最小可复现的 calibrateHandEye 调用import cv2 import numpy as np def solve_handeye(mech_poses, cam_poses, methodcv2.CALIB_HAND_EYE_PARK): # mech_poses: 末端在基座坐标系的 4x4 齐次矩阵列表眼在手上场景 # cam_poses: 标定板在相机坐标系的 4x4 齐次矩阵列表 R_g2b np.array([p[:3, :3] for p in mech_poses]) t_g2b np.array([p[:3, 3] for p in mech_poses]).reshape(-1, 3, 1) R_t2c np.array([p[:3, :3] for p in cam_poses]) t_t2c np.array([p[:3, 3] for p in cam_poses]).reshape(-1, 3, 1) R_c2g, t_c2g cv2.calibrateHandEye( R_g2b, t_g2b, R_t2c, t_t2c, methodmethod) X np.eye(4) X[:3, :3] R_c2g X[:3, 3] t_c2g.flatten() return X这段代码里 calibrateHandEye 的输入单位是米和弧度。method 参数有五种可选CALIB_HAND_EYE_TSAI 计算快但噪声敏感CALIB_HAND_EYE_PARK 对旋转噪声更稳CALIB_HAND_EYE_HORAUD 和 ANDREFF 介于两者之间CALIB_HAND_EYE_DANIILIDIS 基于对偶四元数数据质量差时鲁棒性最好。我一般先用 Park 出一版结果残差偏大再换 Daniilidis 对比。t_g2b 和 t_t2c 必须 reshape 成 N×3×1OpenCV 对输入形状有严格检查少了这一步会直接抛异常。3.2 求解后的残差回代验证拿到 X 之后不能只看矩阵数值是否“像样”必须用原始数据回代 AXXB 方程。用任意一组 A、B 计算 A 与 XBinv(X) 的差就能量化标定质量def handeye_residual(A_list, X, B_list): err 0.0 for A, B in zip(A_list, B_list): # 理论关系: A X B inv(X) pred X B np.linalg.inv(X) err max(err, float(np.linalg.norm(A - pred))) return err残差由旋转和平移混合叠加。经验阈值是平移残差小于 5mm、旋转残差对应的等效轴角小于 0.01rad标定结果可以进入后续验证。如果残差达到厘米级先回头检查数据构造而不是盲目更换求解算法。3.3 把标定结果发布成 static_transform_publisher拿到 X 后最直接的落地方式是在 launch 文件里把它固化成静态 TFnode pkgtf2_ros typestatic_transform_publisher namecamera_to_tool args0.06 -0.01 0.12 -0.003 0.02 -0.015 tool0 camera_link /xyz 和 rpy 从 X 分解出来平移取 X[:3, 3]旋转用 tf.transformations.euler_from_matrix 转成 rpy。需要特别注意static_transform_publisher 后面六个参数是 x y z yaw pitch roll顺序是偏航、俯仰、横滚不是机械臂 URDF 里常见的 XYZRPY 顺序。发布完成后在 rviz 里显示 camera_link 坐标系用一个固定标识物放在相机视野内观察坐标轴是否与实物方位一致这一步能直观暴露符号错误。4. ROS 实战链路从话题数据到机械臂标定的完整流程最小闭环跑通后剩下的活就是把 ROS 里的真实数据接进来替换测试数据同时保证标定板检测和机械臂位姿获取在时间上同步。整套链路涉及三个数据源机械臂末端位姿、标定板在相机下的位姿、相机内参。4.1 机械臂末端位姿的三条获取路径最常见的获取方式有三种直接读 MoveIt 的 planning sceneplanning_frame 通常就是 base_link订阅 /joint_states 自己调正运动学库读 /tf 树里 base_link 到 tool0 的变换。我一般用第三种命令最直接rosrun tf2_ros tf2_echo base_link tool0输出里包含 position 和 quaternion用 tf.transformations.quaternion_matrix 转成 4×4 矩阵再填充平移向量。这里有个隐蔽的坑工具坐标系的定义每家机械臂不一样有的 tool0 在法兰盘中心有的带工具之后重新定义了 tool_tcp手眼标定用到的“末端”必须是实际安装相机那个法兰面而不是加了工具之后的 TCP。UR 机械臂、国产协作臂都暴露了标准 TCP 接口但一定要确认你订阅的坐标系名称对应的是安装面。4.2 标定板位姿aruco_ros、charuco_detect 与手动 solvePnPROS 生态里最省事的是 aruco_ros 或 charuco_detect 包直接订阅 /aruco_single/pose 就能拿到 marker 在相机坐标系下的位姿。charuco 板比单 marker 检测更稳角点数量多solvePnP 的数值稳定性更好。如果相机内参没标过先做一次内参标定否则标定板位姿里的平移会偏差几个毫米直接污染手眼标定结果。camera_calibration 工具可以快速完成rosrun camera_calibration cameracalibrator.py --size 9x7 --square 0.024 image:/camera/color/image_raw执行完会得到 camera_info 话题上的内参矩阵后续的 solvePnP 和 aruco 检测都用这套内参。棋盘格边长 0.024 对应 24mm实际使用以你打印的棋盘格为准。4.3 采集脚本按空格键记录一组位姿数据项ROS 消息类型转换目标末端位姿tf2_msgs/TFMessage4×4 齐次矩阵标定板位姿geometry_msgs/PoseStamped4×4 齐次矩阵相机内参sensor_msgs/CameraInfo3×3 矩阵采集脚本负责把这两类数据同步保存。下面是一个轻量实现订阅 TF 和标定板位姿收到按键指令就记录一组import rospy import tf2_ros import numpy as np class HandEyeCollector: def __init__(self): self.tfbuf tf2_ros.Buffer() self.listener tf2_ros.TransformListener(self.tfbuf) self.samples [] def capture(self): try: trans self.tfbuf.lookup_transform( base_link, tool0, rospy.Time(0)) # 此处 pose_sub 保留最近一帧 /aruco_single/pose H_g2b tf2_transform_to_matrix(trans) H_t2c pose_msg_to_matrix(self.pose_sub.latest) self.samples.append((H_g2b, H_t2c)) rospy.loginfo(captured %d, len(self.samples)) except Exception as e: rospy.logwarn(str(e))这段代码的关键在于查询时间戳。lookup_transform 用 rospy.Time(0) 取最近可用变换标定板位姿也取最近一帧缓存两者在时间上的偏差控制在几十毫秒内就行毕竟机械臂在采集时保持静止不需要做时间插值。采集完成后把 samples 存成 npz标定脚本直接加载。5. 姿态采样策略、交叉验证与三个避坑点手眼标定的数据质量比算法选择更重要用对采样策略就能显著提升结果稳定性。最后一章落在这组具体方法上。5.1 姿态采样策略参数推荐值原因采样组数15~25 组太少欠定太多浪费时间相邻旋转变换大于 30°保证 AXXB 方程良态标定板占画面比例1/3 到 1/2solvePnP 特征点分布均匀标定板到相机距离0.3m 到 0.8m覆盖实际工作范围手动示教时让末端每采一组就绕自身 z 轴转一个角度同时改变俯仰尽量覆盖相机可见空间的不同位置。不推荐使用纯平移轨迹或者小幅抖动式采集那只会让数据近乎线性相关解算出的平移分量严重失真。5.2 留出验证集交叉验证重投影残差把 20 组数据分成 16 组建模、4 组验证用建模组的 X 反推验证组里标定板在基座坐标系下的位姿再投影回像素坐标和图像里实际检测到的角点位置对比。像素残差稳定在 2px 以内说明标定结果可以用于视觉引导。这比只看矩阵元数值是否“正常”可靠得多因为旋转矩阵的四元数表示即使有几十毫米平移误差数值看起来依然人模人样。5.3 三个最常踩的坑第一eye-to-hand 场景直接拿 calibrateHandEye 的输出用坐标系取反导致标定结果在 rviz 里看起来正确、抓取时完全偏掉。第二标定板用了混合尺寸的 marker 或不同词典检测结果不稳定换 charuco 加固定词典能解决大部分问题。第三rpy 分解顺序写错static_transform_publisher 的旋转参数顺序是 yaw pitch roll很多人在这一步把俯仰和偏航写反导致相机坐标系绕自身轴旋转了 90 度以上。将标定结果写进 URDF 的 fixed joint 之后在 rviz 里观察 TF 树是否连续跳动。三个指标全过——平移残差小于 5mm、旋转残差小于 0.01rad、重投影像素残差小于 2px这套手眼标定就可以放心交给后续的抓取和装配流程了。本文还有配套的精品资源点击获取 
长河君 · 2026/9/11 23:24:58 · 阅读 1.2k 手眼标定原理与ROS实战：从AX=XB到OpenCV实现
简介这是一个基于ROS的手眼标定完整实战项目适合机器人视觉、机械臂控制领域的开发者和研究人员。资源围绕手眼标定核心问题提供项目源码与流程教程涵盖Tsai-Lenz等标定算法、图像处理、坐标转换等关键环节帮助用户理解并实现相机与机械臂之间的位姿关系求解。压缩包共78个文件包含19个Python脚本、11个.launch启动文件、3个C源文件和头文件、配置文件、日志与CSV数据等整体约5.25MB目录结构清晰便于按模块学习。已有459人学习下载。项目不仅附有可直接运行的源码还提供详细流程教程与实战案例分析可指导用户从环境准备、图像采集到参数求解、结果验证完整走通标定流程。特别针对Aubo与Jaka机械臂通信场景做了适配配合README文档能显著降低上手门槛非常适合作为机器人手眼标定入门到进阶的优质参考项目。1. 手眼标定到底在解什么别急着调参先把坐标变换理清机械臂装上相机后抓取不准多数情况不是视觉算法的问题而是相机坐标系和机械臂基座坐标系之间那个 4×4 变换矩阵没对齐。手眼标定要解的就是这个矩阵数学上最终收敛成 AXXB 的矩阵方程。反直觉的一点是整个过程不需要知道相机相对于机器人装在哪、装成什么角度只要让机械臂带着标定板或者相机走十几组不同姿态记录机械臂末端位姿和标定板在相机下的位姿就能把这个固定变换解出来。这套流程对所有要走视觉抓取、视觉定位、视觉引导装配的 ROS 项目都适用无论是眼在手上的协作臂还是眼在手外的固定相机工位。下面按数据构造、OpenCV 求解、ROS 数据流、结果验证的顺序拆开讲照着做两个小时内能拿到第一版可用的外参。2. 手眼标定原理两种安装构型下的 AXXB 数据构造先明确“手”和“眼”分别指什么。“手”是机械臂末端也就是法兰盘或 tool0 坐标系“眼”是相机。手眼标定的目标是求相机坐标系和某个机器人坐标系之间的固定齐次变换矩阵 H。眼在手上eye-in-hand时相机装在末端标定板固定在外部眼在手外eye-to-hand时相机固定在工作区标定板装在末端法兰上。两种构型在 ROS 项目里都很常见实验数据的格式和 OpenCV 接口的输入约定有细微差别稍不注意就会解出一组“看起来合理、实际全错”的结果。2.1 AXXB 方程为什么成立用 T_gripper2base 表示机械臂末端在基座坐标系下的位姿由机器人正运动学给出用 T_target2cam 表示标定板在相机坐标系下的位姿由 solvePnP 对图像中角点求解得到用 X 表示待求的相机到末端的变换矩阵。同一时刻标定板在基座坐标系下的位姿可以写成T_target2base T_gripper2base × X × T_target2cam其中 T_target2base 是一个常量因为标定板固定在工作台上。取两个不同时刻 i、j 的观测值把上式两边分别求逆后联立可以消掉 T_target2baseinv(T_gripper2base_i) × T_gripper2base_j × X X × T_target2cam_j × inv(T_target2cam_i)这正是 AXXB 的标准形态。OpenCV 的 calibrateHandEye 接受四个输入数组R_gripper2base、t_gripper2base、R_target2cam、t_target2cam输出 R_cam2gripper、t_cam2gripper也就是 X。接口内部已经实现了 Tsai-Lens、Park、Horaud、Andreff、Daniilidis 等算法不需要自己解非线性方程。2.2 眼在手外时怎么套 OpenCV 的接口eye-to-hand 构型下待求量从 cam→tool 变成了 cam→base直接套用接口会得出错误的坐标关系。常见做法是先把采集到的 T_gripper2base 取逆得到 T_base2gripper把 T_target2cam 取逆得到 T_cam2target再喂给同一个接口最后把输出结果取逆得到的就是固定相机在基座坐标系下的位姿。这个换算特别容易写反我一般会在代码里加一步打印验证用任意一组数据重组 T_target2base验证残差小于 1e-6 才继续往下走。构型相机位置待求变换输入 A 来源输入 B 来源输出 X 含义眼在手上装在末端cam→tool末端→基座运动标定板→相机运动cam→tool眼在手外固定在外cam→base基座→末端取逆相机→标定板取逆取逆后 cam→base2.3 数据规范单位、四元数与旋转顺序数据规范是“标定结果看起来能用、一抓就偏”的最大来源。三点必须统一平移单位一律用米很多机械臂 SDK 会返回毫米混合单位会让平移残差差出三个数量级四元数在喂给 OpenCV 前要归一化ROS 消息里的四元数通常已经归一化但从欧拉角手动转过来时容易漏旋转矩阵和四元数互转时OpenCV 的 cv2.Rodrigues 与 tf 的 quaternion_matrix 都遵循右乘、ZYX 顺序约定不要混用不同库的约定。提示采集数据时不要只平移机械臂要确保每两组位姿之间末端旋转角度超过 30°。纯平移会让 AXXB 方程病态标出的平移分量会严重偏离真实值。3. 用 OpenCV calibrateHandEye 在 ROS 环境里跑通最小闭环环境准备以 Ubuntu 20.04 ROS Noetic Python 3 OpenCV 4 为例。如果机器上还没有 ROS小鱼ROS一键安装脚本可以快速搭好基础环境装完再补 opencv-python 和相机驱动相关依赖。下面这套代码可以脱离机械臂用仿真数据跑通也可以直接封装成 ROS 节点接入真实数据。3.1 最小可复现的 calibrateHandEye 调用import cv2 import numpy as np def solve_handeye(mech_poses, cam_poses, methodcv2.CALIB_HAND_EYE_PARK): # mech_poses: 末端在基座坐标系的 4x4 齐次矩阵列表眼在手上场景 # cam_poses: 标定板在相机坐标系的 4x4 齐次矩阵列表 R_g2b np.array([p[:3, :3] for p in mech_poses]) t_g2b np.array([p[:3, 3] for p in mech_poses]).reshape(-1, 3, 1) R_t2c np.array([p[:3, :3] for p in cam_poses]) t_t2c np.array([p[:3, 3] for p in cam_poses]).reshape(-1, 3, 1) R_c2g, t_c2g cv2.calibrateHandEye( R_g2b, t_g2b, R_t2c, t_t2c, methodmethod) X np.eye(4) X[:3, :3] R_c2g X[:3, 3] t_c2g.flatten() return X这段代码里 calibrateHandEye 的输入单位是米和弧度。method 参数有五种可选CALIB_HAND_EYE_TSAI 计算快但噪声敏感CALIB_HAND_EYE_PARK 对旋转噪声更稳CALIB_HAND_EYE_HORAUD 和 ANDREFF 介于两者之间CALIB_HAND_EYE_DANIILIDIS 基于对偶四元数数据质量差时鲁棒性最好。我一般先用 Park 出一版结果残差偏大再换 Daniilidis 对比。t_g2b 和 t_t2c 必须 reshape 成 N×3×1OpenCV 对输入形状有严格检查少了这一步会直接抛异常。3.2 求解后的残差回代验证拿到 X 之后不能只看矩阵数值是否“像样”必须用原始数据回代 AXXB 方程。用任意一组 A、B 计算 A 与 XBinv(X) 的差就能量化标定质量def handeye_residual(A_list, X, B_list): err 0.0 for A, B in zip(A_list, B_list): # 理论关系: A X B inv(X) pred X B np.linalg.inv(X) err max(err, float(np.linalg.norm(A - pred))) return err残差由旋转和平移混合叠加。经验阈值是平移残差小于 5mm、旋转残差对应的等效轴角小于 0.01rad标定结果可以进入后续验证。如果残差达到厘米级先回头检查数据构造而不是盲目更换求解算法。3.3 把标定结果发布成 static_transform_publisher拿到 X 后最直接的落地方式是在 launch 文件里把它固化成静态 TFnode pkgtf2_ros typestatic_transform_publisher namecamera_to_tool args0.06 -0.01 0.12 -0.003 0.02 -0.015 tool0 camera_link /xyz 和 rpy 从 X 分解出来平移取 X[:3, 3]旋转用 tf.transformations.euler_from_matrix 转成 rpy。需要特别注意static_transform_publisher 后面六个参数是 x y z yaw pitch roll顺序是偏航、俯仰、横滚不是机械臂 URDF 里常见的 XYZRPY 顺序。发布完成后在 rviz 里显示 camera_link 坐标系用一个固定标识物放在相机视野内观察坐标轴是否与实物方位一致这一步能直观暴露符号错误。4. ROS 实战链路从话题数据到机械臂标定的完整流程最小闭环跑通后剩下的活就是把 ROS 里的真实数据接进来替换测试数据同时保证标定板检测和机械臂位姿获取在时间上同步。整套链路涉及三个数据源机械臂末端位姿、标定板在相机下的位姿、相机内参。4.1 机械臂末端位姿的三条获取路径最常见的获取方式有三种直接读 MoveIt 的 planning sceneplanning_frame 通常就是 base_link订阅 /joint_states 自己调正运动学库读 /tf 树里 base_link 到 tool0 的变换。我一般用第三种命令最直接rosrun tf2_ros tf2_echo base_link tool0输出里包含 position 和 quaternion用 tf.transformations.quaternion_matrix 转成 4×4 矩阵再填充平移向量。这里有个隐蔽的坑工具坐标系的定义每家机械臂不一样有的 tool0 在法兰盘中心有的带工具之后重新定义了 tool_tcp手眼标定用到的“末端”必须是实际安装相机那个法兰面而不是加了工具之后的 TCP。UR 机械臂、国产协作臂都暴露了标准 TCP 接口但一定要确认你订阅的坐标系名称对应的是安装面。4.2 标定板位姿aruco_ros、charuco_detect 与手动 solvePnPROS 生态里最省事的是 aruco_ros 或 charuco_detect 包直接订阅 /aruco_single/pose 就能拿到 marker 在相机坐标系下的位姿。charuco 板比单 marker 检测更稳角点数量多solvePnP 的数值稳定性更好。如果相机内参没标过先做一次内参标定否则标定板位姿里的平移会偏差几个毫米直接污染手眼标定结果。camera_calibration 工具可以快速完成rosrun camera_calibration cameracalibrator.py --size 9x7 --square 0.024 image:/camera/color/image_raw执行完会得到 camera_info 话题上的内参矩阵后续的 solvePnP 和 aruco 检测都用这套内参。棋盘格边长 0.024 对应 24mm实际使用以你打印的棋盘格为准。4.3 采集脚本按空格键记录一组位姿数据项ROS 消息类型转换目标末端位姿tf2_msgs/TFMessage4×4 齐次矩阵标定板位姿geometry_msgs/PoseStamped4×4 齐次矩阵相机内参sensor_msgs/CameraInfo3×3 矩阵采集脚本负责把这两类数据同步保存。下面是一个轻量实现订阅 TF 和标定板位姿收到按键指令就记录一组import rospy import tf2_ros import numpy as np class HandEyeCollector: def __init__(self): self.tfbuf tf2_ros.Buffer() self.listener tf2_ros.TransformListener(self.tfbuf) self.samples [] def capture(self): try: trans self.tfbuf.lookup_transform( base_link, tool0, rospy.Time(0)) # 此处 pose_sub 保留最近一帧 /aruco_single/pose H_g2b tf2_transform_to_matrix(trans) H_t2c pose_msg_to_matrix(self.pose_sub.latest) self.samples.append((H_g2b, H_t2c)) rospy.loginfo(captured %d, len(self.samples)) except Exception as e: rospy.logwarn(str(e))这段代码的关键在于查询时间戳。lookup_transform 用 rospy.Time(0) 取最近可用变换标定板位姿也取最近一帧缓存两者在时间上的偏差控制在几十毫秒内就行毕竟机械臂在采集时保持静止不需要做时间插值。采集完成后把 samples 存成 npz标定脚本直接加载。5. 姿态采样策略、交叉验证与三个避坑点手眼标定的数据质量比算法选择更重要用对采样策略就能显著提升结果稳定性。最后一章落在这组具体方法上。5.1 姿态采样策略参数推荐值原因采样组数15~25 组太少欠定太多浪费时间相邻旋转变换大于 30°保证 AXXB 方程良态标定板占画面比例1/3 到 1/2solvePnP 特征点分布均匀标定板到相机距离0.3m 到 0.8m覆盖实际工作范围手动示教时让末端每采一组就绕自身 z 轴转一个角度同时改变俯仰尽量覆盖相机可见空间的不同位置。不推荐使用纯平移轨迹或者小幅抖动式采集那只会让数据近乎线性相关解算出的平移分量严重失真。5.2 留出验证集交叉验证重投影残差把 20 组数据分成 16 组建模、4 组验证用建模组的 X 反推验证组里标定板在基座坐标系下的位姿再投影回像素坐标和图像里实际检测到的角点位置对比。像素残差稳定在 2px 以内说明标定结果可以用于视觉引导。这比只看矩阵元数值是否“正常”可靠得多因为旋转矩阵的四元数表示即使有几十毫米平移误差数值看起来依然人模人样。5.3 三个最常踩的坑第一eye-to-hand 场景直接拿 calibrateHandEye 的输出用坐标系取反导致标定结果在 rviz 里看起来正确、抓取时完全偏掉。第二标定板用了混合尺寸的 marker 或不同词典检测结果不稳定换 charuco 加固定词典能解决大部分问题。第三rpy 分解顺序写错static_transform_publisher 的旋转参数顺序是 yaw pitch roll很多人在这一步把俯仰和偏航写反导致相机坐标系绕自身轴旋转了 90 度以上。将标定结果写进 URDF 的 fixed joint 之后在 rviz 里观察 TF 树是否连续跳动。三个指标全过——平移残差小于 5mm、旋转残差小于 0.01rad、重投影像素残差小于 2px这套手眼标定就可以放心交给后续的抓取和装配流程了。本文还有配套的精品资源点击获取