2D/3D相机手眼标定总结-编程知识

1. 九点标定

在这里插入图片描述

九点标定法的本质： 无需进行相机内参标定，只能识别x，y坐标，属于2D平面标定，在标定过程中z是未知的。
该算法的核心是仿射变换，即图像坐标系到机器人坐标系的2D仿射变换（注意这里并不是RT的刚体变换）。

由上篇文章射影变换的一种解法，可知仿射变换的基本公式：
在这里插入图片描述
有6个自由度，至少需要3组点才能解决，超过3组点，可以用非线性最小二乘优化。
无论是眼在手上，还是眼在手外，标定的步骤都是一样的：

相机拍摄一幅9点的图片，眼在手外时相机固定好直接拍摄，眼在手上时，控制机械手移动的固定位置（9点标定板正上方）进行拍摄；
求出标定点在图像坐标系的坐标 $(u, v)$ ；
控制机械手，分别移动到9个点上，记录9个点的坐标 $(x, y)$
进行求解，halcon中使用vector_to_hom_mat2d算子，opencv可使用estimateRigidTransform接口。

求解后，就可以根据给出的像素点，得到机械手的点坐标，进而可以控制机械手去相应的位置了。

2. 2D传统手眼标定

2.1 原理

如下图所示，图（a）是眼在手上，图（b）是眼在手外。（图片来自《机器视觉算法及应用》）

眼在手上，标定板放置在自由位置；
眼在手外，标定板放置在机器人末端，和机器人绑定在一起。

在这里插入图片描述
上面的俩个图中，实线是已知的变换关系，虚线是未知的变换关系。
要求解的关键：

眼在手上，求解的是相机和末端工具(注意不是末端)的位姿变换关系，即 $_{c}^{t}\textrm{T}$ ，整体位姿关系为：
$_{o}^{b}\textrm{T}$ = $_{t}^{b}\textrm{T}$ $_{c}^{t}\textrm{T}$ $_{o}^{c}\textrm{T}$
眼在手外，求解的是相机和基座的位姿变换关系，即 $_{c}^{b}\textrm{T}$ ，整体位姿关系为：
$_{o}^{t}\textrm{T}$ = $_{b}^{t}\textrm{T}$ $_{c}^{b}\textrm{T}$ $_{o}^{c}\textrm{T}$

注意，上面两个变换关系的公式有共同形式：
$Y$ = $A XB$ ，这里A为工具和底座的变换关系，B为相机和标定板的关系，未知为X，即眼在手上的 $_{c}^{t}\textrm{T}$ 和眼在手外的 $_{c}^{b}\textrm{T}$ ，而Y在两种情况中是不变的。
取两组不同的位姿，可以得到两个等式 $Y$ = $A_{i}XB_{i}$ 和 $Y$ = $A_{j}XB_{j}$ ，消除Y后，可得

$A_{i}XB_{i}$ = $A_{j}XB_{j}$

变换位置：
$A_{j}^{-1}A_{i}X$ = $XB_{j}B_{i}^{-1}$ ，即AX = XB。
如何解？
opencv:

void cv::calibrateHandEye (InputArrayOfArrays R_gripper2base, InputArrayOfArrays t_gripper2base, InputArrayOfArrays R_target2cam, InputArrayOfArrays t_target2cam, OutputArray R_cam2gripper, OutputArray t_cam2gripper, HandEyeCalibrationMethod method = CALIB_HAND_EYE_TSAI )

halcon:

calibrate_hand_eye()

2.2 用途

有人说，通过手眼标定拿到了相机和机械手的相对位姿变换关系，最后用来做什么呢？这是个很好的问题。
下面是我的理解（如有不对请指正）：

通过单目相机，我们是无法拿到物体的3D空间位姿的，也就不能做3D引导，所以要引导还得靠上面的九点标定,，进行2D引导。如果需要进行3D引导，需要使用3D相机

我想到可用的一个场景是这样的：AGV上装一个相机，到了一个工位停下来后，可以拍摄一个标定板（或可以做PNP的标定物），来计算标定物和相机的位姿变换关系，然后结合手眼标定的结果，可以计算出AGV相对于标定物的位姿偏移，最终来矫正AGV的空间位姿。

3.3D相机手眼标定

将下图中的标定板换成其他标定物，就可以进行3D手眼标定了。
在这里插入图片描述

3.1 结构光/双目/RGBD等相机

参考《机器视觉算法及应用》最后一章。

这种类型的相机进行手眼标定时，一次拍照就可以拿到物体的3D点云信息，可以通过点云匹配来获取物体相对于相机的位姿，也就是 $_{o}^{c}\textrm{T}$ 是可以通过点云匹配拿到的。

标定物的选取：

已知实际尺寸的CAD标准标定物，通过拍摄得到的点云，和标准点云匹配；
抓取场景可以用实际要抓取的物体去制定模型模板，然后进行匹配。

比如halcon中的find_surface_model就可以进行点云匹配。

之后的过程和上面的传统相机手眼标定是一样的，需要进行多个位姿的拍照来进行计算。

3.2 线激光轮廓相机

线激光轮廓相机和上面的结构光等相机获取点云的原理是不一样的，需要进行多次扫描才能拿到物体的点云信息。
进行手眼标定时，具目前的资料，有三种方法进行手眼标定：

和结构光一样，扫描模板标定物进行点云匹配，求 $_{o}^{c}\textrm{T}$ ，注意需要用不同的位姿拍摄扫描多组；
（本思路未验证）类似上面的9点标定，可以扫描一个9点（或多点）的标定物获得点在相机坐标系中的坐标（注意上面是像素坐标系），然后用机械手的工具针碰触9个点，拿到空间坐标，最后解3D空间的仿射变换。
拍摄标准球，使用两步法计算，精度应该是比较差的（未验证）。参考论文《基于线激光轮廓仪的机器人3Ｄ视觉定位系统设计 ——周泽西》。