GBEC: Geometry-Based Hand-Eye Calibration

手眼校准是解决机器人末端执行器到附加传感器之间的转换问题。常用的技术，如AXXB或AXZB公式，依赖于回归方法，需要从不同的机器人配置中收集姿态数据，这可能会产生低精度和重复性。然而，导出的转换应仅取决于末端执行器和传感器的几何形状。我们提出了基于几何的末端执行器校准（GBEC），相比传统的手眼校准方法，它可以提高推导出的转换的重复性和准确性。为了证明改进效果，我们将该方法应用于两种不同的机器人辅助手术：经颅磁刺激（TMS）和股骨成形术。我们还讨论了GBEC在手持相机和手持标记传感器安装方法中的普适性。在实验中，我们在机器人末端执行器和TMS线圈或股骨成形术钻头导向器上附着的光学跟踪器刚体标记之间执行GBEC。以前的研究记录了传统方法在机器人辅助TMS手眼校准方面的低重复性和准确性。与一些现有方法相比，所提出的方法仅依赖于法兰和刚体标记的姿态，使其独立于工作空间限制或机器人精度，而不会牺牲旋转矩阵的正交性。我们的结果验证了该方法的准确性和适用性，提供了一种获得从末端执行器到传感器的转换的新的通用方法。

解决问题：该论文旨在解决机器人手眼标定的低准确性和重复性问题，提出了一种基于几何的机器人末端执行器标定方法，旨在提高标定的准确性和重复性。

关键思路：该论文提出了一种名为GBEC的新型机器人手眼标定方法，该方法仅依赖于机器人末端执行器的几何形状和传感器附件的姿态，而不需要从不同机器人配置中收集姿态数据，从而提高了标定的准确性和重复性。

其他亮点：该论文将提出的方法应用于两种不同的机器人辅助手术，并讨论了该方法在手持相机和标记手持传感器安装方法中的通用性。实验结果验证了该方法的准确性和适用性，并提供了一种新的可推广的方法来获取从末端执行器到传感器的转换。

相关研究：最近的相关研究包括“基于视觉的机器人手眼标定方法”、“基于深度学习的机器人手眼标定方法”等。