源策未来发布Anchor 1：人形机器人写字实录，全身控制精度成焦点

昨晚，具身智能算法创业公司源策未来（Archon Robotics）放出全身控制模型 Anchor 1，同时发布了一段真机视频，没有炫技成分：人形机器人抬起手臂，一笔一画描出 ANCHOR 六个字母，直线、弧线、急转弯，轨迹连贯到底。项目主页上另有一个能直接上手的 demo，输入任意一行文字，仿真环境里的机器人就把它写出来，提笔处和空格处都不留墨迹。我们试了一下，输入「JIQIZHIXIN」，机器人在仿真中把这些字符完整手绘了出来。

4 倍速视频。写字谈不上高难动作，却最能直白地检验「准」：手偏几厘米，字就歪了；身体晃一下，笔画就断了。一台靠两条腿站立的机器人，想让手稳稳走完每一笔，全身都得跟着配合。

比写字更值得细看的，是主页上另一组视频。四名操作员身高从 165 厘米到 188 厘米、体重从 50 公斤到 80 公斤不等，依次穿戴动作捕捉设备驱动同一台机器人：弯腰触地、单膝跪地、侧身摸脚踝、原地小步横移。人怎么做，机器人就怎么跟。

这其实也是当下人形机器人学动作最直接的路子：人先做一遍，机器人照着做。遥操作采来的示范数据也好，动作捕捉录下的人体数据也好，都得先过「跟着做」这一关，才能落到机器人身上，再拿去训练上层大模型。难就难在这一关。人与机器人身体比例不同、关节结构不同，人的动作得先「翻译」成机器人能执行的动作，翻译一有偏差，机器人的手就落不到位。而手准不准，又牵着腰、膝、脚：弯腰够地时多迈半步，手就跟着偏出去。对全身操作来说，学得像并不难，难的是一直做得准。

源策未来拿出的是一组对比：操作员站着转脚踝，由某款主流开源全身控制模型驱动的机器人，脚根本抬不起来；操作员弯腰去够地，机器人开始晃、站不住。控制器跟不上、站不稳，示范采回来就带偏差，上层模型学到的同样是偏差。说到底，大脑的上限被小脑的下限卡住了。

针对的正是「照着做」这一环，Anchor 1 被放在源策全身智能架构的 System 0（S0）层，干的是把指令精准、稳定地落成全身动作的「小脑」活。机器人要上岗，光有更聪明的大脑不够，还得有个能把动作做准的小脑。几组实验数据能说明它在精度和稳定性上的进步：72 段全身操作动作的真机测试里，手腕和脚踝的全局位置误差，比此前表现最好的对比方法分别低约 28% 和 39%；拿它做遥操作，踢纸箱任务的示范采集成功率由 37.5% 升到 98.0%，每小时采到的成功示范从 9 条涨到 43 条。

放到行业里看，这条线索也不难理清。今年 1 月底，Figure 在 Helix 02 中加入 System 0；2 月，英伟达开源全身控制基础模型 SONIC，训练用了超过 1 亿帧人体动作捕捉数据，支持通过 PICO 头显做全身遥操作；之后 Google DeepMind、智元接连推出全身控制相关模型；到 10 月，arXiv 上一批全身控制论文集中冒出来。行业的目光正从「大脑」挪向「小脑」，从「表演」转向「部署」。

Anchor 1 发布后，我们细读了那份 32 页技术报告，想弄清三件事：Anchor 1 的「准」是怎么来的？这份「准」又是怎么量出来的？它对上层大模型意味着什么？

• 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

一套为精准、稳定的全身操作打造的「小脑」

要让「准」和「稳」同时站住，Anchor 1 的设计盯住三个问题：指令怎么给？多出来的自由度怎么用？执行中跑偏了怎么纠？

这三点分别对应五个锚点、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。

先看五个锚点怎么让全身控制更准。

教人搬沙发时，没人会规定「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」，剩下的姿势身体自己会找。Anchor 1 给控制器下指令，走的也是这个路子。

它只下发五个部位的目标：骨盆、左右手腕、左右脚踝，每个部位给出位置和朝向。

这五个点正好管住操作和支撑——手腕管够不够得着、拿不拿得稳，脚踝管站得稳不稳，骨盆管整个人往哪去。其余关节，一概不管。

约束少了，控制器反倒有了调整余地，能靠弯腰、屈膝、转体把手脚更精确地送到位。这种稀疏指令的思路此前已有研究碰过，英伟达的 MaskedMimic 和 HOVER 等工作就试过只给部分关键部位的目标，让控制器补全全身动作。Anchor 1 的差别在于怎么把人的动作「翻译」成这五个锚点。

业内常见的是在线重定向：操作员动一下，系统就实时求解一遍机器人关节角，再交给控制器。这有点像同声传译，译得快，可一旦译错，机器人的动作就会突然走样。

论文拿同一段 PICO 录制的人体动作做了对照：靠在线重定向的配置在手臂伸展时偏离了原动作，还冒出指令突变，既打断任务，也给关节带来不必要的冲击。

四行展示的是同一段人体动作在三种控制方式下的执行表现，所用动作由 PICO 录制，时间轴从左向右推进。(A) 为人体参考动作；(B) 为 Anchor 1，五个锚点直接作为输入，没有经过重定向环节；(C)(D) 均为一款主流开源全身控制模型，区别在于分别接入基于逆运动学的重定向工具与基于学习的重定向工具，先把人体动作转换成机器人动作，再执行。从结果看，手臂伸展阶段，两种依赖重定向的配置都出现了动作偏离与突变（红框），而 Anchor 1 则稳定复现了原始动作（绿框）。

另一条路线干脆绕开重定向，直接把人体动作编码给控制器。可要是用通用的参数化人体模型、不顾操作员自己的身体比例，手部轨迹照样会被扭曲。

Anchor 1 选的是第三条路，更像裁缝打版：系统先拿操作员和机器人各自的 T 字站姿标定一次，算出每段肢体的缩放比例、旋转对齐和位置偏移，之后逐帧套这组固定参数，把人体动作换算到机器人的尺度上，全程不解关节角。

源策未来用一段半径 16 厘米的画圆动作验了这种换算的保真度：跟参数化人体模型的输入比，Anchor 1 的手腕轨迹在运动方向上的偏差指标低 80.2%，画出的圆更接近人手本来的样子。

手腕画圆时轨迹跟得准不准，是这次对比的重点。

不做在线重定向，部署起来也省事不少。论文里列了四种输入设备：Xsens 惯性动捕、CHINGMU 光学动捕、诺亦腾 PN-LINK 有线惯性动捕和 PICO VR。它们的骨架表示不一样，数据质量也参差，可都能直接换算成五个锚点，再交给控制器。操作员这边，身高 165 厘米到 188 厘米、体重 50 公斤到 80 公斤，都能直接上手。另外，Anchor 1 对未来的指令只要求 60 毫秒，参与对比的各方案则要 80 毫秒到接近 1 秒。

自由度该往哪儿用，交给数据来定。

指令怎么给，五个锚点已经回答了。可只给五个锚点，同一组指令就能对应好多种全身姿态。手要伸到低处，弯腰行、下蹲行、单膝跪地也行，硬拗一个别扭姿势够过去同样算数，脚下说不定还悄悄打滑。多出来的自由度，好处和麻烦是一起来的：用得好，手更准；用不好，身子就站不稳。

Anchor 1 挑的路子，是在训练数据上做文章。说白了就是师傅带徒弟，只把稳当的做法演示出来。

每一段人体动作，团队都配上一段离线重定向得到的机器人动作。训练时，五个锚点当输入，配对好的机器人动作负责给出监督和奖励，等于告诉模型「碰上这种情况，身体该这么配合」。配对数据先过自动质检，长时间悬空、关节突变、自碰撞、周期性抖动、穿透地面的片段都会被筛掉；自采的那部分还要再过一道人工复核，拿原始人体动画对着看，检查动作质量和对应关系。

最后成型的训练集有 406,222 段动作、约 1081 小时，其中 77% 是源策自己采的动作捕捉数据，剩下的来自 AMASS、OMOMO 等公开数据集。论文里说得很直接：这种筛选就是有意造出一种偏向，让模型补全全身动作时更愿意选稳定、物理上说得通的姿态。

分工其实挺巧。重定向原本卡在部署时的实时环节，现在被挪到了训练之前的离线阶段。离线做，就有时间检查，也有机会把坏样本剔出去；到了部署，五个锚点直接拿来用，重定向出错也牵连不到它，计算开销和延迟一并省了。人体动作管的是告诉机器人「做什么」，筛过的机器人动作管的则是教它「怎么动才稳」。

人体动作与机器人动作的配对数据，从构建到筛选要走这样一套流程。

纠偏这条路，Anchor1 是单独铺的。

指令下得再准，执行时也免不了跑偏。弯腰、迈步的过程中，手脚总会和目标差上一点。控制器得随时掌握差了多少，才拉得回来。

眼下拿这个纠偏信号，主要有两种路子：

• 一种是把目标动作压成 motion token，再连机器人自身状态一块交给策略，偏了多少让策略自己推。token 紧凑、结构化，上层模型学起来省事，可压缩会丢细节，细微的残余误差很难被发现并纠正。

• 另一种是直接算出「目标与当前状态的差值」喂给策略，纠偏信号最直接。问题是这个差值一旦也编进 token，同一个动作在不同执行状态下就会得到不同的 token，上层模型学起来就没了准头。

拿开车导航打个比方：「目的地」和「你偏离路线多远」是两码事。每偏一次航就去改目的地，导航非乱套不可；目的地不动、偏航提醒单独给，才合理。Anchor 1 走的正是这条路：在编码器、量化器、解码器的架构里，手腕和脚踝的跟踪误差不进编码器，而是绕开 token，直接送进管输出关节动作的解码器。token 只管说「要做什么」，误差只管「拉回来」。

图为 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

可要是上层模型直接下发 token、没带五个锚点的位姿，纠偏拿什么当参照？

为此 Anchor 1 多训了一个轨迹头，能从 token 里重建出近期的目标位姿，再拿它算跟踪误差。同一个控制器于是有了两种指挥方式：遥操作和上层策略可以下发五个锚点，上层策略也能直接输出 token。

图为两种指挥方式：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

消融实验说明了这套设计的用处。MuJoCo 仿真的 In-house 评测里，去掉显式误差反馈，全局和局部成功率只剩 70.9% 和 61.7%；把误差送进解码器后，两项分别涨到 88.7% 和 88.4%。token 插值实验同样如此：解耦版本从蹲姿到站姿过渡得更顺滑，耦合版本则卡在更深的屈膝姿态里出不来。

消融实验考察了三件事：误差反馈送进哪里、用什么推理模式、纠偏目标从哪来，看它们对成功率和跟踪误差各有什么影响。

不过从重建目标反推误差也要付出代价，精度会掉一点——仿真里局部位置误差由21.9毫米变成22.4毫米。论文因此给出建议：遥操作采集这类对精度要求最高的场景，五个锚点还是直接下发更合适。

再说第二把更严的尺子。

紧接着是另一个问题：这个“准”到底是怎么量出来的？

源策的解法是另搭一套评测体系。他们判断，现有做法在衡量“准”上都有看不到的地方：任务级评测看成功率，可成功率里掺着感知和规划的因素，哪一层出的问题说不清；按整段动作取平均的跟踪误差，短暂却致命的偏差又会被抹平。

这有点像考驾照，科目二不看你全程平均开多快，压一次线就挂。源策的评测体系分In-house、Public和Reachability三条Track，依次看全身操作协调、动态动作跟踪、不同姿态下手部可达性与足部稳定性。In-house和Public两条Track的合格线是：一段动作全程手腕和脚踝位置误差不超过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，才算成功。

三条Track各自评什么，下面分开说：

• In-house Track收了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开描述，再拼成动作捕捉指令，重点看单手和双手够取、手脚配合、移动中稳住手部这类操作中的全身协调。

• Public Track则从四个公开数据集里挑出2,230段动作，跑、跳这些更动态的行为也补了进来。

• Reachability Track的做法是给定空间中的手腕目标点，让机器人在站立、浅蹲、深蹲、前后错步和半跪五种姿态下把手送到位、保持住、再收回，全程不许打滑、不许额外迈步，共3,210段参考动作。

上面是源策未来这套评测三条Track的构建方式与动作覆盖情况。

三条Track的评测动作，一个都没进训练集。

三条Track各挑了一个动作示例：从左到右依次是前进弯腰拾取组合动作（In-House）、舞蹈动作（Public）、右侧单膝下跪（Reachability）。

仿真结果里，Anchor 1在In-house Track上拿到最高的全局和局部成功率，分别是88.7%和88.4%，水平方向的根部位置误差也是最低的。差距在边走边做非对称双手够取这类动作上拉得最开：Anchor 1局部成功率91.2%，这一场景下表现第二好的方法只有57.0%。

换到动态动作更多的 Public Track，各方法的绝对成功率都掉得厉害，Anchor 1 依旧排在第一。论文里还提到一点：参与对比的方法在训练阶段可能碰过部分公开数据。

再看 Reachability Track，多数姿态组里 Anchor 1 的成功率都是最高的，平均下来每段动作只出现 0.06 次打滑、0.53 次多余迈步。

三条 Track 的成功率、跟踪误差和足部事件对比：

真机测试：标准越严，差距越大

仿真之外还上了真机，用的是宇树 G1 人形机器人，一共两组测试。第一组是 51 段站立够取动作，看的是手腕定点的精度；第二组依据动作标签挑出 72 段全身操作动作，够取、移动、平衡扰动、手脚协同等七类任务都在里面。

站立够取（standing-reach）这一组，Anchor 1 的手腕和脚踝全局位置误差分别是 44.58 毫米、35.70 毫米；此前最好的对比方法对应数字是 53.59 毫米和 50.40 毫米。

In-house 与 Reachability Track 子集中的真实世界跟踪误差和参考要求

这个成绩有个前提：未来指令更短，0.06 秒对 0.08 秒，而且不用在线重定向。另一种方案同样免重定向、直接接收人体动作，跟它比，Anchor 1 的手腕和脚踝全局误差分别降了 73.3% 和 73.4%，需要的未来指令则只有对方的三分之一。

72 段全身操作动作上，团队把手腕和脚踝的误差阈值从 10 厘米一档档放到 25 厘米，其余标准没动。六档阈值下 Anchor 1 的总体成功率都是最高；最严的 10 厘米那一档，它比最强的对比方法高出 41.2 个百分点。

真机全身操作测试里，不同误差阈值下的分类成功率如下表所示。

误差数据也印证了这一点。8 项指标中 Anchor 1 有 7 项最低：手腕、脚踝的全局位置误差各为 75.69 毫米和 70.52 毫米，比此前最好的对比方法低约 28% 和 39%；局部脚踝位置误差低 46.3%。唯一例外是局部手腕位置误差，有一项对比方法比它略好。这组结果也说明了源策为何要坚持更严的尺子——阈值一放宽，各方法的分类成功率就慢慢靠拢；阈值收紧，差距才露出来。论文讨论部分专门提到，宽松的成功标准会掩盖控制器之间的真实差异。对全身操作来说，「能不能做到」和「能不能一直做准」，是两道不同的题。

小脑够准，大脑才好发力

最后是第三个问题：这份「准」对上层大模型意味着什么？精准的价值最终要在两处兑现——遥操作采数据和上层模型自主干活。遥操作时控制器跟不准，操作员就得反复做补偿动作，采集效率、成功率、示范质量都会受影响。文章开头视频里，小幅侧移、转动脚踝、弯腰触地、侧身摸脚踝这些动作，一款主流开源全身控制模型要么复现不出细微变化，要么脚抬不起来，要么开始摇晃失稳；Anchor 1 则能贴合操作员的动作。

量化测试选了两个任务：把纸箱踢进指定区域，以及从低处鞋架上取出拖鞋放到指定位置，分别考验脚的落点和低位抓取。下图为 VLA 驱动下踢纸箱与捡拖鞋的自主执行过程。

用 Anchor 1 时，踢纸箱每小时能采 43 条成功示范，采集成功率 98.03%；捡拖鞋每小时 62 条，成功率 97.37%。换成上述开源模型做同样的任务，两个数字分别是 9 条和 37.50%、41 条和 68.33%。

遥操作采集数据这一环，效率如何？团队的做法是先用人手遥操作收示范数据，再拿这些数据去微调开源 VLA 模型 GR00T N1.7。微调后的模型会依据语言指令、三路 RGB 画面和本体状态，输出五个锚点的目标位姿或 motion token，再连同手部指令一并交给处于冻结状态的 Anchor 1 去执行。

自主执行的表现，团队做了 20 次试验：以 motion token 作接口、并配合重建目标纠偏的 Anchor 1，踢纸箱成功率达到 90%，捡拖鞋为 45%。同样的 token 接口换到开源模型上，两项任务分别只有 70% 和 10%。另一个结果也说明问题——把误差编码进 token 的耦合版本，一改用 token 指挥，两项任务全部失败。纠偏归纠偏、指令归指令，token 接口才算真正能用。

捡拖鞋只有 45%，说明自主全身操作离交卷还差得远。不过这组对比把一条链路摆得很清楚：小脑的精度会一路传下去，先影响数据质量，再影响大脑做任务的成功率。

「准」要变成整个行业都能用的能力。论文也没有回避短板：评估只在一台人形机器人上做过，没有在不同本体上严格比较不同方法；五个锚点只交代身体该到哪儿，不涉及物体的几何形状、接触力和抓握稳定性，动作跟得准，不等于东西一定拿得稳；从 token 重建目标还会带来精度损失，这块也要继续压下去。

下一步，团队打算引入相对于物体的目标和接触感知，让全身控制更直接地对接物体交互。在源策未来构想的全身智能架构里，S0 负责让机器人「站得稳、做得准」，是底座，上面一层是管感知与决策的 S1。

开放节奏上，源策未来计划在 2026 年底分阶段放出 Anchor 1 的模型权重和部署代码，以及基于 PICO 及 PN-LINK 的遥操作和示范数据采集链路，并配上部署镜像、使用教程和示例动作。评测侧会逐步开放相关评估工具，持续维护全身操作评测榜单，还计划在 2027 年年中办一场国际竞赛。

说回开头那段写字视频。一台人形机器人一笔一画写出 ANCHOR，热闹程度远不如空翻、打拳，但它指向的是行业接下来真正要拼的东西：从「表演」走向「部署」，比的是机器人在弯腰、迈步、换姿态的过程中，能不能始终把手稳稳当当、分毫不差地送到该去的位置。Anchor 1 给出的，是一个关于「准」的答案，也是一把量「准」的尺子。对还在找规模化落地路径的行业来说，这两样或许一样要紧。等年底模型权重和采集链路陆续开放，这份「准」会交到更多团队手上。到那时候，人形机器人稳稳写下的，可能就不止 ANCHOR 这六个字母了。