于是问题来了：当标定精度已经很高，误差到底还藏在哪？

0.01mm是“数学意义上的精度”，不是“工程意义上的真相”。当你把标定做到 0.01mm，实际上已经完成了：相机模型的几何一致性，内参 / 外参的数值收敛，重投影意义上的最优拟合。但从这一刻开始：误差的主导权，已经不在标定算法手里了。

误差开始“迁移”：从算法 → 系统。，我们把 0.01mm 之后的误差来源，系统拆开来看。

你在标定里“假设刚性”，但现实世界从来不是刚体。

1. 支架与安装结构的弹性形变

在实验室里：支架不动，相机不晃。在产线上：震动、温漂、长期应力，哪怕是0.01° 的姿态变化，在 400mm 视距下都可能放大为 0.07mm 的空间误差。而这类变化：不会反映在标定残差中，只会在“实际测量”里暴露。

2. 镜头光学中心的“隐性漂移”

你标定的是数学上的针孔模型，但镜头真实存在：组间间隙、对焦机构、温度依赖折射率。结果是：主点、焦距在物理层面缓慢变化，但你仍在用“冻结的内参”。

当你以为坐标系是“真理”，它其实只是“暂时参考”。

1. 标定板 ≠ 世界本身

标定精度 0.01mm，只说明：相机 ↔ 标定板 的关系很准。但问题是：标定板是否真的平？是否热胀冷缩？是否每次放置完全一致？当你换成工件、夹具、产线基准，误差立刻转移。

2. 工件坐标的“重复性极限”

在很多尺寸测量项目中，工件定位重复性±0.03mm，夹具浮动±0.02mm，此时标定做到 0.001mm 也无济于事。

亚像素 ≠ 物理确定性

1. 亚像素算法有方差，不是常数

即使是同一个点：光照微变、噪声变化、表面反射不同，都会导致亚像素结果在一个小范围内波动。典型量级：0.03 ~ 0.08 pixel，在高倍率测量下：像素噪声反而成了主误差源。

2. 你优化的是“均值”，不是“最坏情况”

最小二乘、LM优化的是整体误差均值。但工业系统关心的是：最大偏差，最坏样本。当你追求 0.01mm RMS 时，极值误差早已脱离优化目标。

当误差压到极小后：浮点精度、像素量化、坐标离散，都会进入误差账本。例如：像素 → 世界坐标，本身就是一个离散映射。当你宣称：“我现在精度是 0.01mm”，其实你已经在：和系统噪声打架，而不是算法。

一个非常关键的工程结论

当标定精度 ≤ 0.01mm 后，系统误差结构发生了“主导权反转”：

工程上不该再只盯着“标定误差”这个指标。真正该做的是：引入在线监控，做漂移检测，做稳定性统计，做长期一致性验证，从“一次最优”，转向“长期可控”。

你的项目中，第一次发现“标定已经很准，但结果仍不稳”是在哪个环节？