手把手教你用Python实现AUBO机械臂与相机的自动标定（附开源代码）-程序员充电站

手把手教你用Python实现AUBO机械臂与相机的自动标定（附开源代码）

在工业自动化领域，机械臂与视觉系统的协同作业已成为智能制造的核心技术之一。而实现这一协同的关键，在于精确建立机械臂坐标系与相机坐标系之间的转换关系——这就是手眼标定的核心任务。本文将带你从零开始，通过Python和ROS实现AUBO机械臂的自动化标定流程，不仅提供可立即运行的完整代码，还会深入解析每个环节的技术要点。

1. 环境准备与工具链搭建

1.1 硬件配置清单

实现高精度手眼标定需要以下硬件支持：

AUBO机械臂（建议i5或i7系列）
工业相机（支持ROS驱动，如Basler、PointGrey等）
标定板（推荐使用ArUco二维码标定板）
千兆以太网交换机（确保机械臂、相机与主机的稳定通信）

注意：所有设备应接入同一局域网，并确保IP地址配置正确

1.2 软件依赖安装

通过以下命令安装核心依赖包：

# 安装ROS Noetic（Ubuntu 20.04） sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list' sudo apt install curl curl -s https://raw.githubusercontent.com/ros/rosdistro/master/ros.asc | sudo apt-key add - sudo apt update sudo apt install ros-noetic-desktop-full # 安装Python3工具链 sudo apt install python3-pip python3-catkin-tools pip3 install numpy opencv-contrib-python scipy

1.3 工作空间初始化

创建ROS工作空间并克隆标定代码库：

mkdir -p ~/handeye_ws/src cd ~/handeye_ws/src git clone https://gitee.com/ohhuo/handeye-calib.git cd .. catkin_make source devel/setup.bash

2. 机械臂通信配置

2.1 AUBO Python SDK集成

AUBO机械臂通过专用SDK进行控制，需先配置通信接口：

# 示例：aubo_comuniate_py_3.py核心代码片段 import aubo_robot_namespace as aubo from aubo_robot_control import AuboRobot class AuboComuniate: def __init__(self, host): self.robot = AuboRobot() ret = self.robot.initialize(host) if ret != aubo.RobotErrorType.RobotError_SUCC: raise ConnectionError("机械臂连接失败") def get_pose(self): """获取当前末端位姿""" pose = self.robot.get_current_waypoint() return [pose.pos.x, pose.pos.y, pose.pos.z, pose.ori.w, pose.ori.x, pose.ori.y, pose.ori.z]

2.2 网络参数调优

在aubo_comuniate.launch中配置关键参数：

<launch> <arg name="aubo_host" default="192.168.1.100" /> <node pkg="aubo_comuniate" type="aubo_comuniate_py_3.py" name="aubo_comuniate" output="screen"> <param name="update_rate" value="50" /> <!-- 数据更新频率(Hz) --> <param name="aubo_host" value="$(arg aubo_host)" /> </node> </launch>

3. 视觉标定系统搭建

3.1 相机标定与ArUco检测

使用OpenCV实现高精度标定板检测：

import cv2.aruco as aruco def detect_marker(image): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) aruco_dict = aruco.Dictionary_get(aruco.DICT_6X6_250) parameters = aruco.DetectorParameters_create() corners, ids, _ = aruco.detectMarkers(gray, aruco_dict, parameters=parameters) if len(corners) > 0: rvec, tvec, _ = aruco.estimatePoseSingleMarkers( corners, 0.05, camera_matrix, dist_coeffs) return tvec[0][0], rvec[0][0] # 返回平移和旋转向量 return None, None

3.2 视觉-机械臂坐标转换

建立相机坐标系到机械臂基坐标系的转换关系： $$ \begin{bmatrix} X_r \ Y_r \ Z_r \ 1 \end{bmatrix} = T_{base}^{tool} \cdot T_{tool}^{cam} \cdot T_{cam}^{marker} \cdot \begin{bmatrix} X_m \ Y_m \ Z_m \ 1 \end{bmatrix} $$

其中：

$T_{base}^{tool}$：机械臂末端到基座的变换矩阵
$T_{tool}^{cam}$：手眼矩阵（待求参数）
$T_{cam}^{marker}$：标定板在相机中的位姿

4. 自动化标定流程实现

4.1 数据采集策略

设计智能采集算法确保数据多样性：

def auto_capture_strategy(robot): poses = [] # 在机械臂工作空间内生成均匀分布的目标点 for z in np.linspace(0.3, 0.6, 3): for x in np.linspace(-0.2, 0.2, 5): for y in np.linspace(-0.2, 0.2, 5): if robot.move_to(x, y, z): if (marker_pose := get_marker_pose()) is not None: poses.append((robot.get_pose(), marker_pose)) return poses

4.2 标定算法核心实现

采用Tsai-Lenz算法求解手眼矩阵：

def tsai_lenz_solve(X, Y): """ X: 机械臂末端位姿列表 [N x 6] Y: 标定板位姿列表 [N x 6] """ A, B = [], [] for i in range(len(X)-1): A.append(se3_log(se3_inv(X[i]) @ X[i+1])) B.append(se3_log(Y[i] @ se3_inv(Y[i+1]))) # 构建最小二乘问题 M = np.zeros((9,9)) for a, b in zip(A, B): M += np.kron(a, b.T) # SVD分解求解 U, S, Vt = np.linalg.svd(M) return Vt[-1].reshape(3,3)

4.3 标定结果验证

通过重投影误差评估标定质量：

def evaluate_calibration(T_cam_tool, samples): errors = [] for tool_pose, marker_pose in samples: # 将标定板位姿转换到机械臂基坐标系 predicted = tool_pose @ T_cam_tool @ marker_pose # 与实际测量值比较 error = np.linalg.norm(predicted[:3,3] - ground_truth[:3,3]) errors.append(error) return np.mean(errors), np.std(errors)

5. 工程实践中的优化技巧

5.1 运动轨迹规划

设计合理的机械臂运动路径：

保持标定板始终在相机视野中心区域
避免快速运动导致的图像模糊
覆盖机械臂工作空间的主要区域

5.2 异常数据处理

实现自动数据过滤机制：

def filter_outliers(data, sigma=2): poses = np.array([d[0][:3] for d in data]) mean = np.mean(poses, axis=0) std = np.std(poses, axis=0) filtered = [] for d in data: if np.all(np.abs(d[0][:3] - mean) < sigma*std): filtered.append(d) return filtered

5.3 实时可视化监控

使用RViz实现标定过程可视化：

rosrun rviz rviz -d $(rospack find handeye-calib)/config/handeye.rviz

在项目实践中，我们发现标定精度受以下因素显著影响：

机械臂重复定位精度（建议＜0.1mm）
标定板制作精度（建议使用激光雕刻）
环境光照稳定性（推荐使用同轴光源）
数据采集数量（通常需要30-50组有效数据）

手把手教你用Python实现AUBO机械臂与相机的自动标定（附开源代码）