Los sistemas de múltiples cámaras son una solución efectiva para percibir áreas grandes o escenarios complejos con muchas oclusiones. En tal configuración, una calibración precisa de la red de cámaras es crucial para localizar los elementos de la escena con respecto a un único marco de referencia compartido por todos los puntos de vista de la red. Esto es particularmente importante en aplicaciones como la detección de objetos y el seguimiento de personas. La calibración de múltiples cámaras es un requisito crítico también en varios escenarios de robótica, particularmente aquellos que involucran una celda de trabajo robótica equipada con un manipulador rodeado de múltiples sensores. Dentro de este escenario, la calibración mano-ojo robot-mundo es un elemento adicional crucial para determinar la posición exacta de cada cámara con respecto al robot, con el fin de proporcionar información sobre el espacio de trabajo circundante directamente al manipulador. A pesar de la importancia del proceso de calibración en los dos escenarios descritos anteriormente, a saber, (i) una red de cámaras, y (ii) una red de cámaras con un robot, hay una falta de conjuntos de datos estándar disponibles en la literatura para evaluar y comparar métodos de calibración. Además, generalmente se tratan por separado y se prueban en configuraciones dedicadas. En este artículo, proponemos un conjunto de datos estándar general adquirido en una celda de trabajo robótica donde se pueden evaluar métodos de calibración en dos casos de uso: calibración de red de cámaras y calibración mano-ojo robot-mundo. El conjunto de datos Multi-Eye To Robot Indoor Calibration (METRIC) consiste en más de 10,000 imágenes sintéticas y reales de patrones ChAruCo y de tablero de ajedrez, cada uno rígidamente unido al efector final del robot, que se movió frente a cuatro cámaras que rodean al manipulador desde diferentes puntos de vista durante la adquisición de imágenes. Las imágenes reales en el conjunto de datos incluyen varios conjuntos de imágenes multivista capturadas por tres tipos diferentes de redes de sensores: Microsoft Kinect V2, Intel RealSense Depth D455 e Intel RealSense Lidar L515, para evaluar sus ventajas y desventajas para la calibración. Además, con el fin de analizar con precisión el efecto de la distancia cámara-robot en la calibración, adquirimos un conjunto de datos sintético integral, con la verdad de terreno relacionada, con tres configuraciones de red de cámaras diferentes que corresponden a tres niveles de dificultad de calibración dependiendo del tamaño de la celda. Una contribución adicional de este trabajo es proporcionar una evaluación integral de los métodos de calibración de vanguardia utilizando nuestro conjunto de datos, destacando sus fortalezas y debilidades, con el fin de delinear dos puntos de referencia para los dos casos de uso mencionados.