视觉测量的误差预算

本文最后更新于：2026年7月9日上午

视觉测量系统（相机 + PnP + 手眼 + 机械臂）落地提精，难点往往不在算法——PnP、ICP、BA 的数学是标准的——而在于系统化地拆解误差、逐级量化验证、定位瓶颈、迭代逼近极限。这篇记录一套"误差预算驱动"的工程方法论，以一个 1m 工作距离、10cm 工件、目标 2mm 精度的场景为线索展开。

误差预算驱动

算法不是瓶颈，系统落地才是。方法论是：先建立全链路误差模型，把误差拆到每个模块并独立量化验证，用误差合成公式预测总误差，跑端到端实验对比预测值，找预算表里最大项（瓶颈）集中优化，每优化一项重新验证，迭代到达标或确认触达物理极限。

场景与 GSD

设定一个具体场景：工作距离 1m（1000mm），工件 10cm（100mm），目标端到端精度 2mm，工业相机 2448×2048、传感器 8.8mm（1 英寸）、12mm 镜头。

先算最基础的数字 GSD（每像素物理尺寸，详见焦距与传感器）：

$$ f_x=\frac{12\text{mm}}{8.8\text{mm}/2448}=\frac{12}{0.0036}=3338\text{ pixel} $$ $$ \text{GSD}=\frac{1000\text{mm}}{3338\text{ pixel}}=0.30\text{mm/pixel} $$

每个像素代表 0.30mm，10cm 工件在图像中占 100/0.30 ≈ 333 pixel，特征清晰。亚像素精度 0.05 pixel 对应 0.015mm，远好于 2mm 目标——说明算法层面不是瓶颈，瓶颈在系统链路。

误差拆解

模块 1: 相机标定（内参）        → fx, fy, cx, cy, k1-k3 残差
模块 2: 图像采集（光学）        → 分辨率、畸变、对焦、光照
模块 3: 特征检测（算法前端）    → 角点/边缘的亚像素精度
模块 4: 位姿估计（算法核心）    → PnP 的 6-DOF 精度
模块 5: 手眼标定（空间桥接）    → cam2base 变换精度
模块 6: 机械臂执行（物理）      → 运动学 + 重复定位精度
        ↓
        最终抓取误差

每个模块都要独立量化，不能用"端到端跑通了"代替。

逐模块量化

每个模块从四个角度刻画：误差来源、量化方法、预期值、独立验证实验加通过标准。

模块 1 相机标定：误差来自张正友标定后内参的残余误差。量化方法是拍摄已知 3D 点（CMM 测量过的标定板），用标定参数投影到图像，对比预测像素与实际检测像素，指标是 RMS 重投影误差（pixel）。预期 0.1–0.3 pixel（0.03–0.09mm），通过标准 RMS < 0.3 pixel。

模块 2 光学采集：误差来自镜头畸变高阶残差、色差、对焦模糊、光照不均。量化用精密平移台（0.001mm 精度）移动工件已知距离，对比算法检测的位移。预期位移检测精度 0.01–0.05mm，通过标准位移误差 < 0.02mm、FOV 中心/边缘差异 < 0.05mm（差异大说明畸变残差）。

模块 3 特征检测：误差来自亚像素精化收敛精度、图像噪声导致的角点抖动、反光/污渍误检。量化是同一位置连拍 30 张，统计角点位置标准差 σ，重复性 = σ × GSD。预期 σ 0.02–0.05 pixel（0.006–0.015mm），通过标准 σ < 0.05 pixel。还要测光照变化下的漂移和振动下的抖动。

模块 4 位姿估计（PnP）：误差来自角点误差被 PnP 放大（尤其 Z 方向）、共面退化、RANSAC 内点选择。量化用 CMM 给 6-DOF 真值，对比算法输出。预期在 1m 距离、10cm 工件、4 角点下：XY 0.1–0.3mm、Z 0.5–2.0mm（深度是瓶颈）、角度 0.1–0.3°。Z 差的原因：4 个共面点的 PnP 在深度方向约束弱，10cm 基线在 1m 距离的三角化角只有 $2\arctan(50/1000)=5.7°$，角度太小，深度精度差。通过标准 XY < 0.3mm、Z < 1.0mm、角度 < 0.3°。Z 不达标就要加 3D 传感器（结构光/双目）专门测深度。PnP 的本质另文展开。

模块 5 手眼标定：误差来自 Tsai/Park 方法残差、标定姿态分布不好、棋盘格检测误差传导。量化用一致性校验：每个标定姿态下 $T_{T\to G}$（target 到 gripper）应是不变量，散布即误差。预期位置 0.5–2mm、角度 0.1–0.5°，通过标准位置散布 < 1mm、角度散布 < 0.3°。不达标就增加标定姿态数、增大旋转多样性、换 Park 方法。

模块 6 机械臂执行：误差来自关节编码器、DH 参数偏差、连杆公差、齿轮间隙、负载变形。量化用激光跟踪仪测命令位姿与末端实际位姿，指标是绝对精度和重复精度。预期重复精度 0.02–0.1mm、绝对精度（未标定）0.5–2mm、运动学标定后 0.1–0.3mm。通过标准绝对精度 < 0.5mm、重复精度 < 0.1mm。

误差合成

把各模块误差按方向汇总，用**根方和（Root-Sum-Square, RSS）**合成总误差（$\sigma_i$ 为第 i 个模块在某一方向 XY/Z/角度上的误差标准差；假设各模块独立、方差相加）：

$$ \sigma_{\text{总}}=\sqrt{\sigma_1^2+\sigma_2^2+\cdots+\sigma_6^2} $$

模块	误差源	XY(mm)	Z(mm)	角度(°)
1 相机标定	内参残差	0.03	0.05	0.01
2 光学	畸变+色差	0.02	0.02	0.01
3 特征检测	亚像素抖动	0.015	0.015	0.02
4 PnP	共面退化	0.2	1.0	0.2
5 手眼标定	Tsai 残差	0.8	0.8	0.3
6 机械臂	运动+重复	0.3	0.3	0.1
RSS 合成		0.89	1.31	0.37

XY 0.89mm < 2mm 达标；Z 1.31mm < 2mm 达标但余量小。瓶颈是 PnP 的 Z 误差（1.0mm）和手眼标定（0.8mm）。这张表是后续优化的路线图——最大项往哪投精力。

需要注意 RSS 的独立性假设在真实系统里常不严格成立：相机标定误差会同时污染 PnP（PnP 用内参）和手眼标定（手眼用 PnP 结果），这两者正相关；特征检测误差也会同时传导进 PnP。正相关下 RSS 会偏乐观（低估总误差），工程上常给 1.2–1.5× 的安全余量，或对明确相关的模块改用协方差矩阵合成 $\sigma_\text{总}^2=\sum_{i,j}\Sigma_{ij}$，而非简单地把方差相加 $\sum_i\sigma_i^2$。

分级验证

模块独立验证（Level 0）后，要逐级串联确认组合行为：

Level 1（视觉链路）：相机标定 + 特征检测 + PnP → 工件在相机系的位姿。排除手眼和机械臂，工件不动只动相机，对比 CMM 真值。预期 XY 0.2mm、Z 1.0mm。
Level 2（+ 手眼）：Level 1 加手眼标定 → 工件在基座系的位姿。机械臂锁住不动，只测视觉加标定链路。预期 XY 0.8mm、Z 1.3mm。
Level 3（全链路端到端）：加机械臂运动 → 末端到达目标位置。用销孔测试或网格标定板探针或 CMM 测量端到端误差。预期 XY 0.9mm、Z 1.3mm。

如果 Level 3 实测 ≈ RSS 预测，说明各模块误差模型正确，按预算表优化瓶颈即可；如果实测 >> 预测，说明有未建模的误差源（温度漂移、振动、安装松动），要回到 Level 0–2 重新定位。

迭代优化

第一轮建基线：选相机镜头（算 GSD）→ 标定内参（RMS < 0.3 pixel）→ 实现基础算法 → 手眼标定 → 跑 Level 3 → 建误差预算表。预期总误差 3–5mm（超标）。
第二轮优化瓶颈：看预算表找最大项。手眼 > 1mm → 增加标定姿态、换 Park 方法，预期降到 0.5mm；PnP Z 误差 > 1mm → 加 3D 传感器或增加 PnP 点数，预期降到 0.3mm；机械臂绝对精度 > 1mm → 运动学标定（DH 参数修正），预期降到 0.3mm。
第三轮精细补偿：Level 3 测试的误差若有系统性偏移，拟合补偿模型（多项式或查表），补偿后残差应趋近纯随机误差。若实测已接近理论下限 $\sqrt{\text{相机噪声}^2+\text{算法噪声}^2+\text{机械噪声}^2}$，就是物理极限，只能换硬件。

工作组织的两条原则：每改一个模块就重新跑 Level 3 验证（确认改善有效），不同时改多个模块（否则无法区分哪个改了有效）。误差预算表每次优化后重新分配预算。

小结

视觉测量系统提精的方法论是误差预算驱动：把全链路拆成六个模块（相机标定/光学/特征检测/PnP/手眼/机械臂），每模块独立量化验证，用 RSS 合成预测总误差，跑分级串联实验对比预测，找预算表最大项（瓶颈）集中优化，迭代到达标或触达物理极限。对一个 1m/10cm 场景，PnP 的 Z 误差（共面退化）和手眼标定通常是瓶颈——前者要加 3D 传感器，后者要更多旋转多样化的标定姿态。

参考资料

相关笔记：焦距、传感器与 FOV（GSD 推导）、PnP 的本质（共面退化与 Z 误差）、手眼标定、SLAM 全景
J. R. Taylor, An Introduction to Error Analysis, 2nd ed.
ISO 9283, “Manipulating industrial robots — Methods and experiments for performance evaluation.”（机械臂精度测试标准）