手眼标定算法是机器人感知外界环境的基础,也是研究其他机器人算法的重要前提。机器人通过传感器感知外界物体时,通过手眼标定算法可获知外界物体相对自身坐标系的位姿关系。“手”通常指机器人系统内的末端执行器,而“眼”则指传感器,如相机等。许多常用的机器人感知算法的研究需要以获取精确的手眼关系作为基础。基于概率密度理论的手眼标定算法是当前理论研究的主要方向,具有标定速度快、数据量大、精度较高等优点,能够适用于更为广泛的手眼标定场合。然而,目前该种算法存在一些问题和限制。因此,研究基于概率密度理论的机器人手眼标定算法,在理论层面和实际应用中均有重要意义。本文将基于概率密度理论的手眼标定算法的影响因素分为算法理论和标定数据集两个主要部分。在算法理论层面,提出一种新均值定义下的概率手眼标定算法。本文归纳了目前Batch系列标定算法的数学推导和理论假设,分析其存在的问题和限制;依据假设条件对当前均值定义的数学模型进行修正,从而提高算法平移部分的精度,同时解除正态分布的假设限制。此外,采用仿真实验证明修正后的均值定义具有有效性。在标定数据集层面,大量数据的采集过程存在错位问题和数据误差。本文首先对由传感器频率不同、起始结束异步等原因引起的数据错位问题进行分类。按时间戳获取的方式给出四种解决方案,并具体给出插补算法和互相关方法的理论基础。随后对采集完成的数据进行误差分析,本文提出一种基于随机抽样思想的数据筛选算法,通过定义数据对中的优先选择度,从而筛除自身含有较大误差的标定数据。筛选算法和新均值定义的结合共同组成了本文提出的手眼标定算法。最后,为了验证文中算法的正确性和在多种平台下的通用性,本文采用内窥镜手术机器人系统和3D相机工业机器人系统对提出的手眼标定算法进行实验验证。两组实验分别给出机器人系统标定数据的采集过程,并将文中算法、前述Batch系列方法和传统标定算法在平移和旋转两个方面进行误差对比。结果表明该算法性能良好,在Batch方法的基础上提高了平移部分的精度,具有一定的通用性,能更好的适用于机器人手眼标定算法应用场合。