源策未来发布Anchor 1：人形机器人全身控制误差降28%

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，同时发布了一段不靠炫技的真机视频：一台人形机器人抬臂起笔，一笔一画描出 ANCHOR 六个字母。直线、弧线、急转弯，整条轨迹连贯走完。

视频链接：https://mp.weixin.qq.com/s/lweYU2y7dFu95r7cRliYag

项目主页上还放了个能上手玩的 demo：随便输入一行文字，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。我们也试了一把，敲进「JIQIZHIXIN」，机器人在仿真中把这些字符完整手绘了出来。

视频链接：https://mp.weixin.qq.com/s/lweYU2y7dFu95r7cRliYag

4 倍速视频

写字谈不上高难动作，却是检验「准」最直接的方式。手偏几厘米，字就歪；身子晃一下，笔画就断。对一台靠两条腿站立的机器人来说，想让手稳稳走完每一笔，整个身体都得跟着配合。

比写字更值得琢磨的，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，轮流用动作捕捉设备驱动同一台机器人：弯腰触地、单膝跪地、侧身摸脚踝、原地小步横移。人怎么动，机器人就怎么跟。

视频链接：https://mp.weixin.qq.com/s/lweYU2y7dFu95r7cRliYag

这其实是眼下人形机器人学动作最直接的路子之一：人先做一遍，机器人照着做。遥操作采来的示范数据也好，动捕录下的人体数据也好，都得过「跟着做」这道关，才能变成机器人身上的动作，再拿去训练上层大模型。

麻烦就出在「跟着做」这一步。人和机器人身体比例不一样，关节结构也不一样，人的动作得先「翻译」成机器人能执行的动作，翻译偏一点，机器人的手就落不到位。手准不准，又牵着腰、膝和脚——弯腰够地时多迈半步，手就跟着偏出去。全身操作这件事，学得像不难，难的是一直做得准。

源策未来拿出的对比很直接：操作员站着转脚踝，那台由某主流开源全身控制模型驱动的机器人脚根本抬不动；操作员一弯腰去够地面，它立马晃起来，站都站不住。控制器既跟不上动作，又稳不住身子，示范数据采集时就掺进了偏差，上层模型跟着学到的自然也是偏差。小脑的下限，就这样决定了大脑的上限。

视频链接：https://mp.weixin.qq.com/s/lweYU2y7dFu95r7cRliYag

Anchor 1 要解决的正是这个「照着做」的环节。它的定位是源策全身智能架构里的 System 0（S0）层，也就是把指令精准、稳定地变成全身动作的那颗「小脑」。说到底，机器人要上岗，光有更聪明的大脑不够，还得有一颗能把动作做准的小脑。

几组实验数据能看出 Anchor 1 在精度和稳定性上的提升：72 段全身操作动作的真机测试里，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%。拿它做遥操作，踢纸箱任务的示范采集成功率从 37.5% 升到 98.0%，每小时采到的成功示范从 9 条增加到 43 条。

这次发布的行业背景也值得一看。今年 1 月底，Figure 在 Helix 02 里加入 System 0；到了 2 月，行业重心从「大脑」移向「小脑」，从「表演」转向「部署」。

Anchor 1 发布后，我们细读了那份 32 页的技术报告，想弄清三件事：Anchor 1 是怎么做到「准」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

一颗为精准、稳定的全身操作而设计的「小脑」

要让「准」和「稳」同时成立，Anchor 1 的设计绕不开三个问题：指令怎么给？多出来的自由度怎么用？执行中出现的偏差怎么纠？

对应这三个问题，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：把全身控制做得更准

好比教人搬沙发，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，身体自己会找到最顺手的姿势。Anchor 1 给控制器下指令，走的是同一个思路。

它下发的指令只涉及五个部位：骨盆、左右手腕、左右脚踝，每个部位给出目标位置和朝向。

这五个部位恰好管住了操作和支撑：手腕决定够不够得到、拿不拿得稳，脚踝决定站得稳不稳，骨盆决定身体整体往哪去。其他关节，一概不指定。

约束少了，控制器反而多出调整余地，能靠弯腰、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人探索，英伟达的 MaskedMimic 和 HOVER 等工作就试过只给部分关键部位目标，让控制器补全全身动作。Anchor 1 的不同之处，在于它怎么把人的动作「翻译」成这五个锚点。

行业里常见的是在线重定向：操作员每动一下，系统就实时解一遍机器人关节角，再把结果交给控制器。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：依赖在线重定向的配置在手臂伸展时偏离了原本动作，还出现指令突变，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，三种控制方式跑出来的结果并不一样。四行画面取自同一段由 PICO 录制的人体动作，时间从左往右推进。(A) 是人体参考动作；(B) 是 Anchor 1，五个锚点直接作为输入，不经过重定向；(C)(D) 则是一款主流开源全身控制模型，分别配上基于逆运动学的重定向工具和基于学习的重定向工具，先把人体动作转成机器人动作再执行。手臂伸展开时，两种依赖重定向的配置都出现了动作偏离和突变（红框），Anchor 1 则把原始动作稳定还原了出来（绿框）。

还有一条路线是绕开重定向，把人体动作直接编码给控制器。可一旦采用通用的参数化人体模型、不理会操作员自身的身体比例，手部轨迹照样会被扭曲。

Anchor 1 选了第三条路，做法更像裁缝打版：系统先拿操作员和机器人各自的 T 字站姿做一次标定，把每一段肢体的缩放比例、旋转对齐和位置偏移算出来，此后逐帧套用这组固定参数，将人体动作换算到机器人的尺度上，全程不求解关节角。

这种换算保不保真，源策未来用一段半径 16 厘米的画圆动作做了检验：对比参数化人体模型的输入，Anchor 1 的手腕轨迹在运动方向上的偏差指标低了 80.2%，画出的圆更贴近人手原本的样子。

画圆动作中的手腕轨迹保真度对比

省掉在线重定向，部署上也省事不少。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，骨架表示和数据质量虽然各不相同，却都能直接换算成五个锚点交给控制器。身高 165 厘米到 188 厘米、体重 50 公斤到 80 公斤的操作员，也都能直接上手。另外，Anchor 1 只需要 60 毫秒的未来指令，参与对比的各方案则需要 80 毫秒到接近 1 秒。

自由度怎么用，由数据说了算

五个锚点回答了「指令怎么给」，可只给五个锚点，也就意味着同一组指令能对应很多种全身姿态。同样是把手伸到低处，弯腰行、下蹲行、单膝跪地行，用别扭的姿势硬够过去也行，脚下还可能悄悄滑动。多出来的自由度是双刃剑：用好了手更准，用不好身体就不稳。

Anchor 1 的办法是在训练数据上做文章，像师傅带徒弟，只示范稳当的做法。

团队给每一段人体动作都配上一段离线重定向得到的机器人动作：训练时五个锚点作为输入，配对的机器人动作提供监督和奖励，告诉模型「这种情况下，身体应该这样配合」。这些配对数据要过自动质检，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都会被筛掉；自采数据还得再走一轮人工复核，对照原始人体动画检查动作质量和对应关系。

最后的训练集包含 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。论文也直言，这种筛选是在刻意引入一种偏向，让模型补全全身动作时更倾向于稳定、物理上合理的姿态。

这里的分工挺巧妙。重定向从部署时的实时环节，被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，相应的计算开销和延迟也省了。人体动作负责告诉机器人「做什么」，筛选过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，执行中一样会偏。机器人弯腰、迈步时，手脚总会偏离目标一点点，控制器得随时知道偏了多少，才能及时拉回来。

现有的纠偏信号大致有两种拿法：

• 一种是把目标动作压缩成 motion token，连同机器人自身状态一起交给策略，偏差多少让策略自己推断。token 紧凑、结构化，上层模型学起来方便，但压缩会丢细节，小的残余误差很难被察觉和纠正。

• 还有一种做法是把「目标与当前状态之间的差值」直接算出来交给策略，纠偏信号来得最直接。问题是，差值一旦也被编进 token，同一个动作换到不同执行状态就会对应不同的 token，上层模型学起来容易找不到方向。

拿开车导航打个比方：「目的地」和「你现在偏离路线多远」是两回事。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 用的正是这个思路：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

要是上层模型直接下发 token、没带五个锚点的位姿，纠偏的参照又从哪里来？

Anchor 1 为此额外训练了一个轨迹头，能从 token 里重建出近期的目标位姿，再拿它算跟踪误差。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

消融实验说明了这一设计的价值。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%。token 插值实验里，解耦的版本从蹲姿到站姿过渡得更顺滑，耦合的版本则卡在了更深的屈膝姿态里。

消融实验考察了三件事：误差反馈从哪里送入、推理模式怎么选、纠偏目标取自何处，并记录它们对成功率和跟踪误差的影响。

误差也可以从重建目标反算，但这样做要付出代价，精度会掉一点。仿真中局部位置误差由 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，应优先采用直接下发的五个锚点。

一把更严的尺子。

紧接着是第二个问题：这个「准」到底靠什么量出来？

源策的做法是另建一套评测体系。他们判断，现有评测在衡量「准」时都留有盲区。任务级评测看成功率，可成功率把感知和规划的因素搅在一起，出了问题分不清出在哪一层；跟踪误差按整段动作取平均，又会把短暂却致命的偏差盖过去。

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。源策搭起的评测体系分 In-house、Public 和 Reachability 三条 Track，依次考察全身操作协调、动态动作跟踪，以及不同姿态下手部可达性与足部稳定性。In-house 和 Public 两条 Track 上，一段动作要算成功，得全程满足：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。

三条 Track 分别评什么，具体如下：

• In-house Track 收了 15,342 段动作，覆盖 3,247 种任务。团队把躯干与手臂的动作、下肢支撑与移动的方式分开描述，再拼成动作捕捉指令，重点考察单手和双手够取、手脚协同、移动中稳住手部这类操作所需的全身协调。

• Public Track 则从四个公开数据集里挑出 2,230 段动作，补进跑、跳等更动态的行为。

• Reachability Track 给定空间中的手腕目标点，要求机器人在站立、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、不许多迈步，共 3,210 段参考动作。

源策未来评测体系三条 Track 的构建方式与动作覆盖情况。

三条 Track 用到的评测动作，一律不参与训练。

视频链接：https://mp.weixin.qq.com/s/lweYU2y7dFu95r7cRliYag

三条 Track 各有一个动作示例：从左至右，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同样最低。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%，同一场景下表现第二好的方法只有 57.0%。

Public Track 更偏动态，各方法的绝对成功率都掉得明显，Anchor 1 仍是最高的那个。论文也提醒，参与对比的方法在训练时可能碰过部分公开数据。

Reachability Track 上，Anchor 1 在多数姿态组里成功率最高，平均每段动作只出现 0.06 次打滑和 0.53 次多余迈步。

三条 Track 上的成功率、跟踪误差与足部事件对比。

真机测试：标准越严，差距越大。

仿真之外，团队在宇树 G1 人形机器人上安排了两组真机测试。一组是 51 段站立够取动作，看手腕定点的精度；另一组按动作标签挑出 72 段全身操作动作，涵盖够取、移动、平衡扰动、手脚协同等七类任务。

站立够取（standing-reach）测试中，Anchor 1 的手腕和脚踝全局位置误差分别为 44.58 毫米和 35.70 毫米；此前最好的对比方法分别是 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及参考要求。

这个结果还有两个前提：未来指令更短，为 0.06 秒对 0.08 秒；并且不需要在线重定向。与另一种同样免重定向、直接接收人体动作的方案相比，Anchor 1 的手腕和脚踝全局误差分别降了 73.3% 和 73.4%，而它需要的未来指令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 厘米一级级放宽到 25 厘米，其余标准不变。六档阈值下，Anchor 1 的总体成功率全部最高；最严的 10 厘米一档，它领先最强对比方法 41.2 个百分点。

真机全身操作测试中不同误差阈值下的分类成功率。

从误差数据看，Anchor 1在8项指标里拿下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分别低约28%和39%；局部脚踝位置误差低了46.3%。只有局部手腕位置误差这一项，被一种对比方法略微压过。

源策坚持用更严的尺子，原因也在这里：阈值一放宽，各方法的分类成功率就慢慢靠拢；阈值收紧，差距才浮出来。论文讨论部分专门提到，宽松的成功标准会把控制器之间的真实差异盖住。全身操作这件事，「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

第三个问题是：这份「准」对上层大模型到底意味着什么？精准的价值最终在两处兑现——遥操作采数据，以及上层模型自主干活。

遥操作时控制器跟不准，操作员就得一遍遍做补偿动作，采集效率、成功率和示范质量都跟着受影响。文章开头视频里能看到，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，要么摇晃失稳；Anchor 1则能贴合操作员的动作。

视频链接：https://mp.weixin.qq.com/s/lweYU2y7dFu95r7cRliYag

量化测试挑了两个任务：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，分别考察脚的落点和低位抓取。

VLA驱动下的踢纸箱与捡拖鞋自主执行过程

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%。

遥操作数据收集效率

自主执行这边，团队拿遥操作采集的示范数据微调了开源VLA模型GR00T N1.7，让它依据语言指令、三路RGB画面和本体状态，输出五个锚点的目标位姿或motion token，再连同手部指令一起交给冻结的Anchor 1执行。

20次试验中，以motion token为接口、配合重建目标纠偏的Anchor 1，踢纸箱成功率为90%，捡拖鞋为45%；同样以token为接口的开源模型，这两项分别是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。纠偏和指令分开，token接口才真正可用。

捡拖鞋45%的成功率也在提醒，自主全身操作离交卷还远。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到数据质量，再传到大脑的任务成功率。

把「准」变成行业的公共能力

论文也坦率写了局限：评估目前只在一种人形机器人上完成，没有在不同本体上做不同方法的严格对比；五个锚点只说明身体该到哪里，不说明物体的几何形状、接触力和抓握稳定性，动作跟得准不等于一定拿得稳；从token重建目标带来的精度损失也还要继续压小。

团队给出的下一步是引入相对于物体的目标和接触感知，让全身控制更直接地接上物体交互。在源策未来设想的全身智能架构里，S0是让机器人「站得稳、做得准」的底座，上面还有负责感知与决策的S1。

源策未来计划在2026年底分阶段开放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。

回到开头那段写字的视频。一台人形机器人一笔一画写出ANCHOR，远不如空翻、打拳热闹，却指向行业接下来真正要比的东西：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，能不能始终把手稳定且精准地送到该去的地方。Anchor 1给出的，是一个关于「准」的答案，也是一把衡量「准」的尺子。对一个还在找规模化落地路径的行业来说，这两样东西可能同样重要。

年底前后，模型权重与采集链路会分批放开，「准」这项能力也将落到更多团队手上。到那时候，人形机器人能稳稳写下的字，恐怕就不止ANCHOR这六个字母了。