真格天使项目「源策未来」发布机器人全身控制框架 Anchor 1
真格基金 · 商业与创投
与你同在的 2026-11-06 19:34 北京 为复杂全身操作提供控制基础。 法国哲学家梅洛·旁蒂曾说，「所谓理解，就是感受到目标与现实之间、意图与执行之间的契合——而身体，就是我们在世界中的锚点。」 好的大脑需要一个好用的身体和小脑。 一个「知道要做什么」的策略，需要一个「稳定做得到」的执行系统。 源策未来探索的全身智能（Whole-Body Intelligence，WBI），目标指向通用物理智能。 11 月 5 日，源策正式发布全身控制模型 Anchor 1，希望机器人能够跨越人与机器的构型差异，保留任务真正依赖的动作结构，在物理世界中精准、稳定地锚定自身。 更准确的运动和全身控制 在人形机器人的实际操作中，手部是否到达目标，并不足以完整衡量一个动作的完成质量。 以低处取物为例，机器人需要调整身体高度、弯曲膝盖、改变躯干姿态，同时保持双脚与地面的稳定接触。 如果动作过程中出现足部滑移、意外迈步或身体偏移，即使手臂已经接近目标，也可能影响后续操作。 这意味着，人形机器人需要同时处理两个相互关联的问题： 一方面，精确跟踪手部、骨盆及其他关键部位的运动目标；另一方面，根据自身结构和实时状态，协调全身关节完成运动。 人体动作捕捉为机器人学习提供了重要的数据来源，但人体和机器人的身体比例、关节结构与运动范围存在差异，人的动作无法直接复制到机器人身上。 传统方法通常借助关节空间重定向，将人体运动转换为机器人关节轨迹。 然而，中间求解过程可能引入参考误差或动作不连续问题，进而影响机器人执行的精度与稳定性。 针对这些挑战，Anchor 1 从动作参考表达、控制策略训练与实时反馈机制三个方面进行设计，探索更直接的运动映射与更稳定的全身控制方式。 构建精准、稳定的全身控制 控制精度需要从完整链路考虑。误差可能产生于机器人执行，也可能在人体动作转换为控制指令时就已引入。 Anchor 1 围绕这条链路展开设计：保留任务相关的运动意图，为全身协调留出空间，通过训练数据引导行为，并在执行过程中持续修正偏差。 保留关键运动目标，为全身协调留空间 人与机器人的身体比例和关节结构不同，动作转换需要在适应机器人身体的同时，保留任务相关的轨迹结构与空间关系。 在线关节空间重定向如果求解不理想，可能在控制器接收到指令之前就引入偏差或突变。 Anchor 1 通过几何标定，将人体运动调整到机器人的身体尺度，并提取骨盆、双手腕和双脚踝的目标位姿作为稀疏运动参考。 部署时，这些参考直接输入控制器，无需在线关节空间重定向。 这一设计旨在建立更可预测的人机运动对应关系，让遥操作更直观，并为自然、流畅的后训练示范采集提供支持。 稀疏输入也是完整动作复现与协调灵活性之间的一种折中：保留关键部位的运动目标，同时放松对其余关节的逐一约束。 控制器由此可以利用躯干和四肢的协调空间，调整全身姿态，更准确地实现这些目标。 研究展示了不同身形操作者，以及多种动作捕捉和 VR 设备参与控制的示例，体现了这一接口对不同输入方式的适应能力。 不同身形操作者及多种动作捕捉设备 用优质动作数据，引导全身协调 稀疏目标通常对应多种全身动作。保留协调空间之后，还需要引导控制器如何使用这些自由度，形成稳定、符合预期的行为。 Anchor 1 将经过标定的人体运动与同一动作离线重定向得到的机器人参考配对： 前者提供稀疏指令，后者提供全身运动的训练引导。 围绕全身操作所需的姿态、支撑和协调方式，团队组织训练数据，并通过质量检查、筛选与人工分析，塑造偏向稳定、合理行为的训练分布。 因此，稀疏接口与数据分布共同发挥作用：关键目标明确哪些运动需要准确实现，经过筛选的机器人动作则引导身体其余部分如何配合。在线控制所需的全身协调由策略学习完成。 解耦运动表达与执行纠偏，兼顾精度和上层接口 执行过程中，显式跟踪误差能够为控制器提供直接的纠偏信号。 但同一个目标动作，在不同执行状态下可能产生不同误差。 如果将这些误差一起编码进运动表征（Motion Token），期望行为的表征就会受到瞬时执行偏差的影响，增加上层策略学习、预测和复用这一表征的难度。 Anchor 1 将显式误差反馈与运动编码分开： 运动编码器提取参考动作的表征，跟踪误差则单独进入控制解码器，与机器人状态共同用于生成动作。 这样的架构既保留显式反馈带来的精度收益，也支持灵活的上层控制接口。 当上层策略直接输出运动表征时，重建模块恢复相应的目标位姿，为误差计算提供参考。 因此，同一个控制器既能接收稀疏运动参考，也能接收运动表征，并在两种接口下进行执行纠偏。 消融实验进一步验证了反馈机制的作用：在 MuJoCo 的 In-House Track 中，与不使用显式误差反馈的版本相比，将误差反馈输入控制解码器后， Anchor 1 的全局动作成功率由 70