做过视觉引导项目的兄弟，可能都遇到过这种怪事：头两周良率99.7%，第三周开始偶发漏抓，第四周直接停机，一查，夹爪实际落点比视觉给的位姿偏了快   3毫米，这期间没人动过标定参数，机器人也没撞过-43。

这不是个例，凡是“相机固定、机器人动”的Eye-to-Hand方案，跑上一两个月，多多少少都会遇到抓取精度往下掉。问题几乎都出在同一个地方：手眼矩阵没变，但产生它的那个物理系统变了-43。

第一个漂移源：机械和热。

六轴机器人连跑一个班次，关节电机温度能升15到25度，臂展1.5米左右的机器人，连杆一受热就伸长，末端位移能有0.3到0.8毫米，再叠加上减速机温升后刚性变化、反向间隙随磨损缓慢变大，末端综合漂移1到2毫米很常见-43。

也就是说，你标定那一刻，机器人是冷的、短的；跑起来两小时后，它是热的、长的。但手眼矩阵还是那个矩阵，世界已经不是标定时的世界了。

第二个漂移源：视觉测量本身。

产线上多数用的是普通LED条形光，驱动不是恒流的。车间温度一上来，LED发光效率往下掉，整幅图像变暗，阈值分割的边界就跟着偏，测出来的工件中心能漂0.2到0.5毫米。工业相机工作温度升上去，CMOS的暗电流和增益也变，同样光照下灰度值不同，边缘提取位置微动-43。

如果工件参考的是皮带上的基准而非机器人世界坐标，皮带张紧度随温湿度、负载一天一个样，这部分漂移也会被算进抓取误差里。

第三个漂移源：被忽略的标定脆弱点。

很多人用九点法或棋盘格标定，前提是机器人能精确走到示教点。可示教往往发生在机器人刚开机、还没热起来的冷态，等它跑热了，名义位姿和真实位姿已经差了一截，手眼矩阵从出生起就带偏差。更麻烦的是只标一次，系统里没有任何“在线再标定”的机制，偏差只会越积越多-43。

四套填坑方案，按性价比排序。

最划算的是固定参考标记加周期性在线补偿。 在相机视场里固定位置放一个已知机器人坐标的高精度靶标，陶瓷的或者蚀刻棋盘都行，关键是它的机器人坐标是锁死的。视觉系统每个班次开始、或者每跑N个循环，自动去认这个靶标，算出当前测到的位姿和理论值的差，把这个差当作手眼矩阵的增量补偿进去。整个过程几秒钟，不用人重新做手眼标定，热漂移、相机支架微动一股脑全吃掉了。要注意靶标得选在和工件同一深度平面、光照稳定的地方，本身不能脏、不能受热变形-43。

第二招是机器人侧热补偿。 记录关节温度或者运行时长，建一张“温度到末端补偿量”的查表或者多项式模型，叠到TCP或者手眼矩阵上。

第三招是视觉侧光源恒流驱动。 把普通的LED驱动换成恒流源，保证光源亮度不随温度变化。

第四招是定期重新标定。 每周或者每两周做一次完整的手眼标定，作为兜底方案。

这类问题，用ProtoForge可以模拟视觉传感器的输出信号，在没有真实相机和机器人的情况下，先把补偿算法逻辑验证一遍。

ProtoForge（工业协议仿真平台，17种协议，90+设备模板）： GitHub：suoten/ProtoForge Gitee：suoten/ProtoForge

EdgeLiteGateway（AI物联网关，13种协议采集，边缘AI推理）： GitHub：suoten/EdgeLiteGateway Gitee：suoten/EdgeLiteGateway