Para que un robot recoja un objeto visto por una cámara, la posición del objeto en el sistema de coordenadas de la imagen debe ser convertida al sistema de coordenadas del robot. Recientemente, se propuso un método basado en redes neuronales para lograr esta tarea. Esta metodología puede convertir con precisión la posición del objeto a pesar de los errores y perturbaciones que surgen en un entorno real, como la deflexión de un brazo robótico provocada por cambios en la postura del robot. Sin embargo, este método tiene algunas desventajas, como la necesidad de un esfuerzo significativo en la selección del modelo, ajuste de hiperparámetros y la falta de estabilidad e interpretabilidad en los resultados del aprendizaje. Para abordar estos problemas, se propone un método que involucra regresiones lineales y no lineales. Primero, se emplea la regresión lineal para convertir la posición del objeto del sistema de coordenadas de la imagen al sistema de coordenadas de la base del robot. A continuación, se aplica una regresión no lineal basada en B-splines para abordar los errores y perturbaciones que ocurren en un entorno real. Dado que este enfoque es más estable y tiene un mejor rendimiento de calibración con interpretabilidad en comparación con el método reciente, es más práctico. En el experimento, los resultados de calibración se incorporaron a un robot y su rendimiento se evaluó cuantitativamente. El método propuesto logró un error medio de posición de 0.5 mm, mientras que el método basado en redes neuronales logró un error de 1.1 mm.