源策未来要做全身智能（Whole-Body Intelligence，WBI），目标指向通用物理智能：机器人像人一样在真实环境中完成推门、扶车、边走边让出空间这类全身任务，而不是在动作上看起来比较像。全身智能的价值，最终要由物理世界中的可部署性来定义。

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。

"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。"

—— 梅洛・旁蒂

我们发布 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。

Anchor 1 的技术选择是意图保留，而不是动作复刻。它不做在线关节空间重定向，用校准的稀疏运动参考承载任务意图的结构，把运动学自由度留给精度和稳定性本身。以推门为例，人的臂长和机器人不同，关节轨迹必然不同；必须保留的是手接近门把的路径、身体重心转移、脚支撑切换。Anchor 1 对齐的正是这些结构，也是源策 S0 定位的技术兑现：S0 作为运动控制基模系统，把动作意图转化为稳定的全身运动。

效果由严格的真实世界全局评分给出：Anchor 1 将跟踪误差降低 30% 到 80%，所需前瞻输入更少；同一条部署管线中，遥操作数据采集更高效，自主任务成功率更高。执行层的不确定性被压下去之后，上层能力的每一次改进才有机会在物理世界上被观测到。

论文题目：

Anchor 1: Precise and Stable Humanoid Control for Whole-Body Manipulation

项目主页：

https://www.archon.tech/research/anchor1

抢先体验：

https://www.archon.tech/research/anchor1-access

论文链接：

https://arxiv.org/abs/2611.00193

01 精度这笔账 从机器人动起来之前就要算

遥操作要直观易用，操作者需要能够预期：自己的动作会让机器人如何运动。即使人与机器人的身体比例不同，这种动作对应关系也应尽可能清晰、稳定。因此，在将人体动作适配到机器人尺度时，我们希望保留任务相关的轨迹结构与运动方向。

我们比较人体腕部轨迹与不同输入表示形成的参考轨迹，观察轨迹结构和运动方向特征在指令转换过程中是否得到保留。如果这些信息在指令形成时就已失真，后面的控制器即使跟踪准确，也难以还原原本的动作意图。

不同表示下形成的腕部参考轨迹：绿线（Anchor 1 稀疏表示）相比橙线（SMPL 正向运动学表示）提升原轨迹一致度 80% 以上。

Anchor 1 的做法，是先根据人和机器人的身体比例校准动作，再取骨盆、双腕、双踝五处的位置和朝向作为目标。真机执行时，这些稀疏运动参考直接输入控制器，无需在线求解一整套机器人关节轨迹，也就是去除了现有方法常用的 Retargeting（重定向）过程，从而建立更直观、可预期的人机运动对应关系。

五处目标保留关键运动约束，也为其余关节留出协调空间。以弯腰碰脚踝为例，要保住的是手与脚踝相遇的那一刻。肩要多转一点，膝要多弯一点，机器人可以选适合自己身体的做法。

02 身体动了 目标还在原处

机器人俯身伸手靠近货架，却在调整姿态时向后挪了半步。手相对身体的位置可能仍然准确，但它与货架之间的距离已经变了。

这就是我们强调做全局评测的原因。局部评分去除骨盆的水平平移，考察身体各部分的相对跟踪表现；全局评分只在动作开始时对齐水平位置与朝向，此后的身体漂移和目标偏差都计入结果。在 G1 真机的站立触达和全身组合动作两组测试中，Anchor 1 的全局腕部、踝部平均位置误差均为参评方法中最低。

准确还需要贯穿整个动作过程。半跪着侧身伸手，短暂到达目标之后能否保持？收手时，支撑脚是否发生滑移或额外迈步？这些都会影响一次操作能否稳定完成。

Anchor 1 的配套 benchmark 就从这些问题出发。In-house Track 把伸手、转身、移动和支撑变化组合起来，检验几件事同时发生时，全身还能不能配合好。Public Track 换用不同来源的公开动作，检验能力能否延伸到更广的运动。Reachability Track 把一个要求测透 —— 换几种姿态，能否伸到目标、保持、收回，同时让支撑脚稳在该在的位置。

在人体动作测试中，Anchor 1 均获得了严格阈值下数十个百分点的成功率提升。值得注意的是，其它方法普遍利用了更多未来帧，同时在评测时输入的是机器人本身动作，也就是最终评测默认的真值动作。节省的未来帧与 retargeting 过程，也意味着更低的运行时延与更跟手的遥操体验。

03 上层给出目标 身体管好眼前这一步

做整套 WBI，有些问题必须在两层之间划清楚。比如同一次伸手，机器人的手腕这次偏左，下次偏右。两次需要的修正恰好相反，但上层想表达的动作完全一样。

我们的判断是，上层模型应该能说清 "往哪儿去"，而不必连机器人这一次会偏向哪边也提前猜。因此，Anchor 1 用运动编码保留目标动作，把执行中的偏差单独交给控制器纠正。上层既可以直接给出五处身体目标，也可以给出紧凑的动作编码（motion token）。收到编码后，Anchor 1 会还原出近期目标，身体依然知道该对着哪里纠偏。

同一个目标可以反复使用，每一次纠偏，都取决于机器人当下的状态。

最后，我们让这套设计过两道真机关卡：一是遥操员成功采集真机数据的效率，二是小脑模型支撑大脑决策的任务成功率。

在将箱子踢入指定区域和取放拖鞋两个任务上，使用 Anchor 1 遥操，每小时都能采到更多成功示范。再用各自链路采集的数据训练上层策略，让策略通过稀疏五点或 motion token 两种不同接口形式驱动机器人，Anchor 1 配套系统在两项自主任务上的成功率也都更高。

04 下一步 把任务带到更大的空间里

源策未来做 WBI，看重的是这套系统能怎样一起往前走。人类数据让模型见到更多做事的方法；身体控制得更好，机器人就能到更多地方采示范、试策略；而真机上哪一步做准了、哪一步还差一点，又会反过来告诉我们，该补什么数据、该改动作生成，还是该把控制再往前推一步。这也是我们把数据、模型、控制和评测放在一起做的理由。

Anchor 1 地形交互探索。

One more thing. 楼梯是下一步的一个起点。在不远的未来，我们的 Anchor 1 还将升级到更丰富的场景地形，不断扩展全身操作边界。

Anchor 1 的模型权重、部署代码、遥操数采方案和使用指南预计于 2026 年底发布。我们也在筹备 2027 年初的全身控制挑战赛。

（来源：源策未来）