昨晚，具身智能算法创业公司源策未来（Archon Robotics）发布全身控制模型 Anchor 1时，放出了一段并不炫技的真机视频：一台人形机器人抬起手臂，一笔一画地描出 ANCHOR 六个字母。直线、弧线、急转弯，轨迹一气呵成。
项目主页上还挂着一个可以上手玩的 demo：输入任意一行文字，仿真里的机器人就会把它写出来，提笔和空格处不留墨迹。我们也试玩了一下，输入了「JIQIZHIXIN」，机器人在仿真环境中完整手绘出了这些字符。
写字算不上高难动作，却是对「准」最直白的检验。手偏几厘米，字就歪了；身体晃一下，笔画就断了。对一台用两条腿站着的机器人来说，要让手稳稳走完每一笔，整个身体都得配合到位。
比写字更值得细看的是主页上的另一组视频。四名身高从 165 厘米到 188 厘米、体重从 50 公斤到 80 公斤不等的操作员，先后用动作捕捉设备驱动同一台机器人：弯腰触地、单膝跪地、侧身去摸脚踝、原地小步横移。人做什么，机器人就跟着做什么。
这正是今天人形机器人学习动作最直接的方式之一：人先做一遍，机器人跟着做。无论是遥操作采的示范数据，还是动作捕捉录下的人体数据，都要经过「跟着做」这一步，才能变成机器人身上的动作，再拿去训练上层的大模型。
问题在于「跟着做」这一步。人和机器人的身体比例不同、关节结构不同，人的动作必须先「翻译」成机器人能执行的动作，翻译稍有偏差，机器人的手就落不到位。人形机器人的手准不准，又牵动着腰、膝和脚，弯腰够地时多迈半步，手就跟着偏了出去。对全身操作而言，学得像其实并不难，难的是一直做得准。
源策未来给出了一组对比。操作员站着转动脚踝，一款主流开源全身控制模型驱动的机器人脚抬不起来；操作员弯腰去够地面，它开始摇晃失稳。控制器跟不准、站不稳，采回来的示范就带着偏差，上层模型学到的也是偏差。大脑的上限，被小脑的下限锁住了。
Anchor 1 要解决的正是这个「照着做」的环节。它被定位为源策全身智能架构中的 System 0（S0）层，也就是负责把指令精准、稳定地变成全身动作的「小脑」。毕竟，机器人要上岗，靠的不只是更聪明的大脑，还要有一个能把动作做准的小脑。
几组实验数据展示了 Anchor 1 在精度与稳定性上的提升：在 72 段全身操作动作的真机测试中，它的手腕和脚踝全局位置误差，比此前表现最好的对比方法分别低约 28% 和 39%。用它做遥操作，踢纸箱任务的示范采集成功率从 37.5% 提升到 98.0%，每小时采到的成功示范从 9 条增加到 43 条。
这个发布的行业背景也值得关注。从今年 1 月底 Figure 在 Helix 02 中加入 System 0；2 月，英伟达开源了全身控制基础模型 SONIC，用超过 1 亿帧人体动作捕捉数据训练，支持通过 PICO 头显进行全身遥操作；随后，Google DeepMind、智元相继推出全身控制相关模型，再到 10 月 arXiv 上集中涌现的一批全身控制论文，行业的目光正在从「大脑」移向「小脑」并从「表演」转向「部署」。
Anchor 1 发布之后，我们细读了这份 32 页的技术报告，试图回答三个问题：Anchor 1 是怎么做到「准」的？这份「准」是怎么被量出来的？它对上层的大模型又意味着什么？
- 论文标题：Anchor 1: Precise and Stable Humanoid Control for Whole-Body Manipulation
- 论文地址：https://arxiv.org/abs/2611.00193
- 项目地址：https://www.archon.tech/research/anchor1
Anchor 1
一个为精准与稳定的全身操作设计的「小脑」
要让「准」和「稳」同时成立，Anchor 1 的设计围绕三个问题展开：指令怎么给？多出来的自由度怎么用？执行中的偏差怎么纠正？
三个问题的答案，分别是五个锚点、经过严格筛选的训练数据以及与动作编码解耦的误差反馈。
聚焦五个锚点：让全身控制更精准
教人搬一张沙发，没有人会规定「左膝弯 63 度、腰前倾 20 度」，只会说「左手托这儿、右手扶那儿、脚站稳」。剩下的事，身体自己会找到最顺手的姿势。Anchor 1 给控制器下指令也是这个思路。
它发出的指令只包含五个部位：骨盆、左右手腕、左右脚踝，每个部位给出目标位置和朝向。
这五个部位恰好决定了操作和支撑：手腕决定能不能够到、拿稳，脚踝决定站得稳不稳，骨盆决定身体整体往哪去。其余关节一概不指定。
少了这些约束，控制器反而多出了调整空间，可以通过弯腰、屈膝、转体，把手脚更精确地送到目标位置。这类稀疏指令的思路此前已有研究探索，比如英伟达的 MaskedMimic 和 HOVER 等工作尝试过只给出部分关键部位的目标，由控制器补全全身动作。Anchor 1 的不同之处在于如何把人的动作「翻译」成这五个锚点。
行业里常见的做法是在线重定向：操作员每动一下，系统就实时求解一遍机器人的关节角，再把结果交给控制器。这有点像同声传译，译得快，但一旦译错，机器人的动作就会突然走样。
论文用同一段 PICO 录制的人体动作做了对照：依赖在线重定向的配置在手臂伸展时偏离了原本的动作，还出现了指令突变，这既会打断任务，也会给关节带来不必要的冲击。
同一段人体动作，三种控制方式的执行效果。四行使用的是同一段由 PICO 录制的人体动作，时间从左到右推进。(A) 人体参考动作；(B) Anchor 1，直接以五个锚点作为输入，不经过重定向；(C)(D) 一款主流开源全身控制模型，分别搭配基于逆运动学的重定向工具和基于学习的重定向工具，先把人体动作转换为机器人动作再执行。手臂伸展时，依赖重定向的两种配置都出现了动作偏离和突变（红框），Anchor 1 则稳定还原了原始动作（绿框）。
另一条路线是绕开重定向，直接把人体动作编码给控制器，但如果采用通用的参数化人体模型、忽略操作员自身的身体比例，手部轨迹同样会被扭曲。
Anchor 1 走的是第三条路，做法更接近裁缝打版：系统先用操作员和机器人各自的 T 字站姿做一次标定，算出每一段肢体的缩放比例、旋转对齐和位置偏移，之后逐帧套用这组固定参数，把人体动作换算到机器人的尺度上，全程不求解关节角。
源策未来用一段半径 16 厘米的画圆动作检验了这种换算的保真度：与参数化人体模型的输入相比，Anchor 1 的手腕轨迹在运动方向上的偏差指标低 80.2%，画出来的圆更接近人手原本的样子。
画圆动作中的手腕轨迹保真度对比
省掉在线重定向也带来了部署上的便利。论文展示了 Xsens 惯性动捕、CHINGMU 光学动捕、诺亦腾 PN-LINK 有线惯性动捕和 PICO VR 四种输入设备，虽然它们的骨架表示和数据质量各不相同，但都能直接换算成五个锚点交给控制器。身高从 165 厘米到 188 厘米、体重从 50 公斤到 80 公斤的操作员，也都能直接上手。同时，Anchor 1 只需要 60 毫秒的未来指令，而参与对比的各方案需要 80 毫秒到接近 1 秒。
自由度怎么用，由数据说了算
五个锚点解决了「指令怎么给」的问题，而只给五个锚点，意味着同一组指令可以对应很多种全身姿态。同样是把手伸到低处，可以弯腰、可以下蹲、可以单膝跪地，也可以用一种别扭的姿势硬够过去，脚下还可能悄悄滑动。多出来的自由度是一把双刃剑：用好了让手更准，用不好就会让身体不稳。
Anchor 1 的解法是在训练数据上下功夫，就像师傅带徒弟，只示范稳当的做法。
团队为每一段人体动作配上一段离线重定向得到的机器人动作：训练时，五个锚点作为输入，配对的机器人动作则用来提供监督和奖励，告诉模型「这种情况下，身体应该这样配合」。这些配对数据都要经过自动质检，筛掉长时间悬空、关节突变、自碰撞、周期性抖动和穿透地面的片段；自采数据还要再经过一轮人工复核，对照原始人体动画检查动作质量和对应关系。
最终的训练集包含 406,222 段动作、约 1081 小时，其中 77% 来自源策自采的动作捕捉数据，其余来自 AMASS、OMOMO 等公开数据集。论文直言，这种筛选是在刻意引入一种偏向，让模型在补全全身动作时倾向于稳定、物理上合理的姿态。
这里有一个巧妙的分工。重定向被从部署时的实时环节，挪到了训练前的离线环节。离线做重定向，有时间检查、有机会剔除坏样本；部署时直接用五个锚点，不再受重定向出错的影响，也省去了相应的计算开销和延迟。人体动作负责告诉机器人「做什么」，经过筛选的机器人动作负责教会它「怎么做才稳」。
相关文章
津公网安备12011002023007号