3D手眼标定

为什么叫3D手眼标定？ 因为工业视觉上，有个常用标定算法叫“九点标定”，那个算法比较简单，求解的“平面上的映射关系”。本文的3D手眼标定既可以用于2D，也可以用于3D。
一般来说，手眼标定之前，已经做好了相机标定，我这里将手眼标定和单目标定放在一起做。因为手眼标定需要知道相机相邻两帧的位姿，我这里直接用OpenCV单目标定API: calibrateCamera可直接输出相机位姿；也就是做手眼标定的同时，也将单目标定做了。你可能会说：手眼标定一般采集20组数据就够了，而单目标定需要将近一百张棋盘；其实，如果用高精度定制的标定板，20张棋盘也足够了（无论是Halcon、Matlab标定工具箱、还是OpenCV标定，经过我实践，精度都可以到达0.0x个像素级别；其中，Halcon精度是最高的，它用的不是张正友棋盘法，是TSAI两步法。TSAI这个人比较叼，在下文的手眼矩阵求解过程中，还会见到他）。
有关于提前做了相机标定，再做手眼标定也是可以的。这情况下，也可以借助棋盘求解相机位姿，其实就是构建PNP问题。好了，先看以下三幅图，了解下手眼矩阵 AX=XB (眼在手上)的推导：

到此，应该知道，手眼标定的核心问题就是求解矩阵：AX=XB，其中A是从示教器上读取的位姿并作compose，B与相机运动位姿有关。如下图，是一张从机械手臂示教器上读取的数据，(x y z A B C) 表示机械手臂末端到基坐标系的位姿；其中 x y z表示位移， A B C表示姿态，这里用的是欧拉角(旋转次序ZYZ，ZYZ是什么鬼次序，不同品牌机械手臂可能姿态形式不同，不过最终都要依据相应公式转为旋转矩阵。

好了，我们已经知道公式，现在开始可以撸代码了，这里适用OpenCV、Eigen等库进行。