手眼标定是将传感器中心的测量映射到机器人工作空间以及使机器人能够精确移动传感器的关键问题之一，本文提出了两种手眼标定问题的解决方案，并针对线性和非线性方法进行了稳定性分析，结果表明非线性优化方法对噪声和测量误差更具鲁棒性。
Nov, 2023
我们提出了一种基于神经网络的手眼校准方法，在机器人辅助微创手术中，从一系列图像和运动学数据估计变换，这显著简化了校准过程。该方法基于长短期记忆架构来从数据中提取时序信息，并利用线性组合的目标函数，包括运动远心点约束、重投影误差及其导数，以在手眼变换中引入微小变化。该方法通过 da Vinci Si 数据的验证 ，结果显示，估计的手眼矩阵能够在测试数据集中将末端执行器从机器人坐标重投影到相机坐标，精度均在 10 到 20 个像素以内。
Jun, 2023
本文介绍了一种新的基于凸优化的手眼标定方法，该方法能够在传感器不能观测到其中一个方向的尺度的情况下，提供可验证的全局最优解，并且在合成数据实验中证明了算法的最优性和速度。
May, 2020
该研究提出了一种低成本无需昂贵传感器，即可通过学习眼手协调和点对齐能力的方法解决机器人精密操作任务的算法 Binocular Alignment Learning，该算法在仿真和实际机器人测试中都达到了良好的性能。
May, 2022
本文提出了一种新颖的运动结构算法用于重建无需相机固有标定的全景视频，通过建立一个先验假设并提出三种新的相对姿态方法来实现物体重建，并且采用相机位姿的软先验来调整优化问题，实现多视角立体检测。
Jun, 2019
本研究提出一种新颖的自动眼动追踪方案，使用高斯过程回归模型对角膜位置与屏幕位置之间的连续映射进行建模，以消除了对显式标定步骤的需求，并自动对头戴显示器相对于头部的微小移动进行补偿，从而达到了与显式标定步骤几乎相同的准确性。
Dec, 2016
使用 2D 关节点和人体约束估计虚拟相机与实相机之间的外参数，通过修改的八点法、人体约束和 RANSAC 算法，能够在没有重叠视图的情况下精确地估计。在合成和真实数据集上评估，结果优于现有方法，合成数据集的旋转误差为 0.62°/1.82°，平移误差为 37.33/69.51mm。
本研究针对相机在球面上旋转的特殊情况，通过分析对极几何得出只需最少三个点的对应关系即可快速求解两张图像之间本质矩阵的方法，并将其应用于场景建模和物体扫描中。
Apr, 2016
自动驾驶车辆和机器人需要在各种不同的场景中高效而安全地完成任务。本研究介绍了一种基于自我监督单目深度和自我运动学习原理的外参标定新方法，其利用单目深度估计器和姿态估计器结合速度监督对外参进行估计，并联合学习附加在移动车辆上的一组重叠相机的外参标定。实验结果表明，与传统的基于视觉的姿态估计流水线相比，我们的方法能够在各种场景中稳健且高效地实现自我标定，并展示了通过联合优化改进深度估计的外参自校准的优势。
Aug, 2023
这篇论文介绍了一种名为 Samantha 的新型管线，采用层次化方法解决运动结构问题，可提高计算效率并实现真正可扩展性，同时在不依赖辅助信息的情况下处理图像，并通过实验验证方法的准确性和计算效率。
Jun, 2015