一句话定义
视觉伺服（Visual Servoing）是把摄像头拍到的图像直接送进控制回路，用“当前图像”和“期望图像”之间的误差，实时计算机械臂该怎么动。
它怎么工作
传统做法常是“先看、再建图、再规划、最后执行”：用相机扫描场景，建立模型或地图，规划一条轨迹，然后闭眼走完。视觉伺服更像你伸手拿桌上的水杯：眼睛一直盯着杯子，手伸偏了，眼睛立刻发现，大脑马上修正，手再动一点。这个“看—算误差—动一点—再看”的循环每秒跑很多次，误差越来越小，直到对准目标。
关键在反馈。控制器不要求一次算出完美路径，而是每轮只根据图像误差做小修正。误差可以定义在图像里，比如目标点在画面中偏左多少像素；也可以定义在三维空间里，比如相机估计出目标位姿后算偏差。前者常叫基于图像的视觉伺服（Image-Based Visual Servoing, IBVS），后者常叫基于位置的视觉伺服（Position-Based Visual Servoing, PBVS）。相机装在机械臂末端叫“眼在手上”，固定在外面叫“眼在手外”，两者闭环逻辑相同。
和相邻概念的区别
| 维度 | 先建图再规划 | 视觉伺服 |
|---|---|---|
| 核心 | 全局模型/地图 | 图像误差反馈 |
| 对误差 | 依赖标定和模型准确 | 可在闭环中持续修正 |
| 适用 | 导航、大范围路径 | 抓取、对准、跟踪 |
| 弱点 | 建模慢，怕环境变化 | 怕遮挡、光照突变、延迟 |
视觉伺服不等于 SLAM，也不等于“用深度学习识别物体”。识别只告诉“这是什么、在哪里”，伺服还要把位置误差变成关节速度或力矩，并保证闭环稳定。
对从业者和普通人的意义
对机器人工程师，视觉伺服是把感知和控制焊在一起的方法：标定不完美、目标会动、传送带不停，它仍能边看边修。对普通人，它让机械臂更像手眼协调的人，能完成插孔、拧螺丝、抓传送带上的包裹等精细动作。但它不是万能：视野被挡、光线突变、图像延迟大时，闭环可能抖动甚至失稳。具体实现与安全边界，以厂商和官方文档为准。