第三章：坐标系与标定技术
各位同学，今天我们来聊聊Delta机器人视觉引导里最绕不开的一个话题——坐标系与标定。说实话，我见过太多项目在调试阶段卡在这里，明明视觉检测没问题，机器人也能动，但就是抓不准。说白了，就是坐标系没对齐。
3.1 机器人坐标系：三个“世界”的对话
机器人身上有三个核心坐标系，我习惯把它们理解成三个不同的“语言系统”。
3.1.1 基座标系（Base Coordinate）
这是机器人的“根”。它固定在机器人底座上，所有运动都从这里算起。Delta机器人的基座标系原点通常在底座中心，Z轴垂直向上。嗯，这里要注意：不同品牌的机器人，基座标系定义可能不一样，换机器人时一定要先确认。
3.1.2 工具坐标系（Tool Coordinate）
工具坐标系定义的是机器人末端执行器的位置和姿态。比如你装了一个吸嘴，那工具坐标系的原点就在吸嘴末端。我在项目中遇到过一个问题：换了吸嘴后忘了更新工具坐标系，结果抓取点偏了2毫米。后来我养成了一个习惯——每次换工具，第一件事就是重新标定工具坐标系。
3.1.3 用户坐标系（User Coordinate）
用户坐标系是给操作者用的。你可以把它理解成“工作台坐标系”。比如你的传送带是斜着放的，那定义一个用户坐标系，让机器人沿着传送带方向运动，编程会方便很多。
核心要点：视觉系统检测到的坐标，最终都要转换到机器人基座标系下，机器人才能执行。这个转换过程，就是标定要解决的问题。
3.2 手眼标定：Eye-to-Hand vs Eye-in-Hand
手眼标定，说白了就是让机器人知道“眼睛看到的”和“手摸到的”是什么关系。根据相机安装位置不同，分两种方式。
3.2.1 Eye-to-Hand（眼在手外）
相机固定安装在机器人外部，比如架在传送带上方。这种方式下，相机能看到机器人和工件。标定时，我们需要求出相机坐标系到机器人基座标系的转换关系。
优点：相机视野固定，不会随机器人运动而晃动。
缺点：机器人可能会遮挡视野，需要规划好安装位置。
3.2.2 Eye-in-Hand（眼在手上）
相机安装在机器人末端，跟着机器人一起动。这种方式下，相机只能看到工件，看不到机器人自己。标定时，我们需要求出相机坐标系到工具坐标系的转换关系。
优点：灵活，可以从不同角度观察工件。
缺点：标定过程稍微复杂一些，而且相机跟着动，对运动控制精度要求高。
我的建议：Delta机器人抓取场景，我一般推荐Eye-to-Hand。因为Delta机器人运动速度快，Eye-in-Hand容易产生运动模糊。当然，如果工件位置变化大，需要动态调整视角，那还是得用Eye-in-Hand。
3.3 九点标定法原理
九点标定法，是视觉引导抓取中最常用的方法。为什么是九点？因为二维平面上的仿射变换需要6个参数，但为了精度和鲁棒性，我们通常用9个点做最小二乘拟合。
3.3.1 标定流程
- 制作标定板：一个带有9个圆点（或十字）的平板，点间距已知。
- 放置标定板：放在机器人工作范围内，确保相机能清晰看到。
- 记录机器人坐标：用机器人末端（或吸嘴）依次对准9个点，记录每个点的机器人坐标。
- 记录视觉坐标：用相机拍摄标定板，识别出9个点的像素坐标。
- 计算转换矩阵：通过两组坐标，解算出仿射变换矩阵。
3.3.2 数学原理
说白了，就是解一个线性方程组：
X_robot = a * X_pixel + b * Y_pixel + c
Y_robot = d * X_pixel + e * Y_pixel + f其中a、b、c、d、e、f就是我们要找的6个参数。用9个点做最小二乘，能有效减小单个点的测量误差。
3.3.3 代码示例（Python）
import numpy as np
# 假设我们有9个点的机器人坐标和像素坐标
robot_pts = np.array([[x1,y1], [x2,y2], ..., [x9,y9]])
pixel_pts = np.array([[u1,v1], [u2,v2], ..., [u9,v9]])
# 构建矩阵
A = []
B = []
for i in range(9):
u, v = pixel_pts[i]
x, y = robot_pts[i]
A.append([u, v, 1, 0, 0, 0])
A.append([0, 0, 0, u, v, 1])
B.append(x)
B.append(y)
A = np.array(A)
B = np.array(B)
# 最小二乘求解
params, _, _, _ = np.linalg.lstsq(A, B, rcond=None)
a, b, c, d, e, f = params
print(f"转换矩阵参数: a={a:.4f}, b={b:.4f}, c={c:.4f}")
print(f" d={d:.4f}, e={e:.4f}, f={f:.4f}")避坑指南：我曾经在项目里犯过一个低级错误——标定板放歪了。结果标定出来的矩阵误差很大，抓取总是偏。后来我学乖了：标定前先用水平仪检查标定板是否水平，同时确保标定板在相机视野中央，不要有畸变严重的区域。
3.4 知识体系总览
下面这张图，是我自己整理的坐标系与标定知识结构，希望能帮你理清思路。
3.5 标定精度验证
标定做完，怎么知道准不准？我的做法是：选一个不在标定点上的位置，用视觉检测出坐标，然后让机器人去抓。如果偏差在0.5mm以内，就算合格。如果偏差大，别急着调参数，先检查标定板有没有动过，或者相机有没有松动。
| 验证点 | 视觉坐标 (mm) | 机器人坐标 (mm) | 偏差 (mm) |
|---|---|---|---|
| 点A | (100.5, 200.3) | (100.8, 200.1) | 0.36 |
| 点B | (150.2, 180.7) | (150.5, 180.4) | 0.42 |
| 点C | (120.1, 220.6) | (120.3, 220.8) | 0.28 |
你看，这三个验证点的偏差都在0.5mm以内，说明标定结果是可用的。如果偏差超过1mm，我建议重新标定一次，别偷懒。
小技巧：标定完成后，把转换矩阵保存到配置文件里。下次换相机或调整安装位置时，只需要重新标定一次，不用改程序。我习惯用JSON格式保存，方便调试时查看。
好了，坐标系与标定技术就讲到这里。记住一句话：标定是视觉引导的基石，基础打牢了，后面的抓取逻辑才能跑得顺。下一章我们聊聊视觉检测算法，到时候见。
公众号:蓝海资料掘金营，微信deep3321