手眼标定是机器人系统中确定视觉传感器（如相机）与机械臂末端执行器之间空间变换关系的关键技术。通过建立两者坐标系之间的精确数学映射，使得机器人能够将视觉信息转化为执行机构的运动指令，实现「看到即操作」的智能控制。这一过程通常涉及采集多组标定板图像与机械臂位姿数据，通过最小二乘法等优化算法求解旋转矩阵和平移向量，最终获得毫米级精度的空间变换参数。
在具身智能产品开发中，手眼标定的精度直接决定抓取、装配等操作的可靠性。当前主流方法分为眼在手（Eye-in-Hand）和眼固定（Eye-to-Hand）两种配置方案，前者适用于动态作业场景，后者则更利于全局视野覆盖。随着深度学习的发展，一些研究开始探索基于神经网络的端到端标定方法，如剑桥大学2023年提出的「DeepCalib」框架，可在减少人工干预的同时保持亚毫米级精度。