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」。
人体与机器人配对数据的构建与筛选流程
纠偏单独走一条路
指令给准了，执行中照样会出偏差。机器人在弯腰、迈步时，手脚总会偏离目标一点点，控制器需要随时知道偏了多少，才能及时拉回来。
现有方案获取这个纠偏信号的方式大致有两种：
- 把目标动作压缩成 motion token，连同机器人自身状态一起交给策略，偏差多少由策略自己去推断。token 紧凑、结构化，方便上层模型学习，但压缩会丢掉细节，小的残余误差很难被察觉和纠正。
- 直接把「目标和当前状态的差值」算出来喂给策略，纠偏信号最直接，可一旦把这个差值也编码进 token，同一个动作在不同执行状态下就会得到不同的 token，上层模型学起来会无所适从。
我们可以用开车导航类比：「目的地」和「你现在偏离路线多远」是不同的。如果每次偏航都去改目的地，导航就乱了套；合理的做法是目的地不动，偏航提醒单独给出。Anchor 1 采用的正是这种思路：在编码器、量化器、解码器的架构中，手腕和脚踝的跟踪误差不进入编码器，而是绕过 token，直接送进负责输出关节动作的解码器。token 只描述「要做什么」，误差只负责「拉回来」。
Anchor 1 的控制器结构：跟踪误差绕过编码器，与 motion token 一起送入解码器
当上层模型直接下发 token、没有附带五个锚点的位姿时，纠偏的参照从哪来？
Anchor 1 额外训练了一个轨迹头，能从 token 里重建出近期的目标位姿，再用它计算跟踪误差。这样，同一个控制器就有了两种指挥方式：遥操作和上层策略可以下发五个锚点，上层策略也可以直接输出 token。
两种指挥方式：遥操作和上层策略可以下发五个锚点，上层策略也可以直接输出 motion token
消融实验展现了这一设计的价值。在 MuJoCo 仿真的 In-house 评测上，去掉显式误差反馈后，全局和局部成功率分别只有 70.9% 和 61.7%；把误差送进解码器后，两者分别升至 88.7% 和 88.4%。在 token 插值实验中，解耦的版本也能更顺滑地完成从蹲姿到站姿的过渡，耦合的版本则卡在了更深的屈膝姿态里。
消融实验：误差反馈送入的位置、推理模式和纠偏目标的来源，对成功率与跟踪误差的影响
从重建目标计算误差也有代价，精度会略有下降，在仿真中局部位置误差从 21.9 毫米升到 22.4 毫米。因此论文建议，在对精度要求最高的遥操作采集场景中，优先使用直接下发的五个锚点。
一把更严的尺子
接下来是第二个问题：这份「准」是怎么被量出来的？
源策的回答是另起一套评测体系。在他们看来，现有的评测方式在衡量「准」这件事上各有盲区：任务级评测的成功率混杂了感知和规划的因素，说不清是哪一层出了问题；按整段动作取平均的跟踪误差，又会掩盖短暂但致命的偏差。
这有点像考驾照。科目二不看考生全程的平均车速，压一次线就不合格。源策搭建了一套包含 In-house、Public 和 Reachability 三条 Track 的评测体系，分别考察全身操作协调、动态动作跟踪以及不同姿态下的手部可达性与足部稳定性。其中，在 In-house 和 Public 两条 Track 上，一段动作只有在全程中手腕和脚踝的位置误差都不超过 10 厘米、朝向误差不超过 1 弧度、其余身体部位误差不超过 25 厘米时，才算成功。
三条 Track 的具体评测内容如下：
- In-house Track 包含 15,342 段动作、覆盖 3,247 种任务，团队把躯干与手臂动作、下肢支撑与移动方式分别描述，再组合成动作捕捉指令，专门考察单手和双手够取、手脚协同、移动中稳住手部等操作相关的全身协调。
- Public Track 从四个公开数据集中选出 2,230 段动作，补充了跑、跳等更动态的行为。
- Reachability Track 给定空间中的手腕目标点，在站立、浅蹲、深蹲、前后错步和半跪五种姿态下，要求机器人把手送到位、保持住、再收回，全程不能打滑、不能多迈步，共 3,210 段参考动作。
源策未来所构建评测的三条 Track 的构建方式与动作覆盖
三条 Track 的所有评测动作都不参与训练。
三条 Track 各一个动作示例，从左至右依次为前进弯腰拾取组合动作（In-House）、舞蹈动作（Public）、右侧单膝下跪（Reachability）
在仿真中，Anchor 1 在 In-house Track 上取得了最高的全局和局部成功率，分别为 88.7% 和 88.4%，水平方向的根部位置误差也最低。边走边做非对称双手够取这类动作最能拉开差距：Anchor 1 的局部成功率为 91.2%，这一场景下表现次佳的方法仅有 57.0%。
在更偏动态动作的 Public Track 上，各方法的绝对成功率都明显下降，Anchor 1 仍保持最高；论文也提示，参与对比的方法在训练时可能接触过部分公开数据。
在 Reachability Track 上，Anchor 1 在多数姿态组取得最高成功率，平均每段动作仅有 0.06 次打滑和 0.53 次多余迈步。
