新闻详情

新闻详情

首页 / 资讯中心 / 详情

04-手眼标定理论:眼在手上、眼在手外适用场景

发布时间:2026/11/9 11:46:59来源:尧图网络
04-手眼标定理论:眼在手上、眼在手外适用场景
手眼标定理论:眼在手上、眼在手外适用场景作者:黒漂技术佬上一篇说外参矩阵是手眼标定算出来的。这篇就来讲手眼标定到底在标什么、怎么标、两种安装方式有什么区别。理论篇,公式较多,但我会用人话翻译每一个符号。一、手眼标定的目的:求什么回顾上一篇,像素坐标转机械臂世界坐标需要外参矩阵 H——也就是相机坐标系和机械臂坐标系之间的变换关系。这个变换关系包含旋转和平移,描述了"相机在哪里、朝哪个方向"。问题来了:这个变换关系怎么获得?手动量?用尺子量相机到机械臂基座的距离?误差太大,旋转角度根本量不准。查手册?相机是你自己装上去的,安装位置每次都不同,没有现成数据。答案是手眼标定:通过让机械臂运动到多个不同位姿、拍摄标定板,用算法求解相机和机械臂之间的精确变换关系。这就是手眼标定的目的——求相机坐标系与机械臂坐标系之间的刚体变换矩阵。二、两种安装方式手眼标定的具体方法取决于相机的安装位置。有两种基本方式,数学模型完全不同。方式一:眼在手上(Eye-in-Hand)相机安装在机械臂末端(随机械臂一起运动),相机视角随机械臂姿态变化。[相机] | [末端法兰] | [机械臂] | [基座]───────[标定板(固定在外部)]工作方式:机械臂带着相机运动到不同位姿,拍摄固定的标定板。每个位姿下,相机看到标定板的相对位置不同,但这些观测都与机械臂末端位姿存在固定关系。实际场景:智慧农业采摘机器人,相机装在机械臂末端,靠近果实时拍摄细节,精度随距离拉近而提高。方式二:眼在手外(Eye-to-Hand)相机固定在外部支架上,不随机械臂运动,视野覆盖整个工作区域。[相机]────────固定支架 | | 视野覆盖 ▼ [机械臂]────[标定板(装在末端上)]工作方式:标定板固定在机械臂末端(代替夹爪位置),机械臂运动到不同位姿,外部相机拍摄标定板在不同位置的状态。实际场景:无人售货柜补货,相机固定在柜体顶部俯视整个货架,机械臂在下方运动抓取。三、两种方式的数学模型这是本文最硬核的部分。别慌,我逐行解释。眼在手上(Eye-in-Hand)模型已知条件:机械臂末端在基座坐标系下的位姿(机械臂控制器直接给出),记为变换矩阵T_base→end相机拍摄标定板得到的标定板在相机坐标系下的位姿(标定算法算出),记为T_cam→target要求解:末端到相机的变换矩阵T_end→cam(这是固定的,因为相机装在末端上)推导:标定板固定在外部世界,所以标定板在世界坐标系下的位置不变。对于任意两个位姿 i 和 j,有:T_base→end(i) × T_end→cam = T_world→target × T_cam→target(i)^(-1) T_base→end(j) × T_end→cam = T_world→target × T_cam→target(j)^(-1)消去 T_world→target(因为标定板位置不变),得到:T_base→end(j)^(-1) × T_base→end(i) × T_end→cam = T_end→cam × T_cam→target(j)^(-1) × T_cam→target(i)令:A = T_base→end(j)^(-1) × T_base→end(i)(机械臂末端两次位姿的相对变换)B = T_cam→target(j)^(
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/8 22:42:07

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/9 8:37:19

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/9 8:37:19

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/8 22:41:24

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/9 8:37:18

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/9 8:37:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉