文章链接：https://mp\.weixin\.qq\.com/s/Wpv0oRCg5jN7XisDNYHXEw

2026 年 10 月，两份成绩单前后脚摆上桌。

一份来自商汤 SenseNova 联合大晓机器人、南洋理工大学、东京大学的真机评测报告：把 GPT-6-Astra 接上八个真机平台，不给任务示范、通常限时 60 分钟，让它直接指定机械臂每个关节的角度——成功率 9.72%。同一个模型，只改成指定机械臂末端的位置和姿态，成功率升到 15.83%；再用“往左 30 厘米”这种相对方向加移动距离来描述动作，18.06%。

另一份来自 UC Berkeley 参与的 TANGO 论文（arXiv:2609.09158，CoRL 2026 接收）：一个直接输出 29 维全身关节角的模型，在没采过任何真机导航数据的前提下，零样本在一栋真实办公楼里走完 30 米杂乱路线，途中蹲身钻过横杆、侧移挤过窄缝、抬腿跨过地上的障碍。

两份成绩单说的都是“大模型直接给关节角”。一个 9.7%，一个能走 30 米。差别不在谁的模型更大，而在架构图角落里一个不起眼的小框——一个跑在机载电脑上、每秒闭环约 200 次的运动跟踪器。

▲ G1 在真实茶水间蹲低身体钻过横杆。大脑决定“钻过去”，姿势由 200Hz 小脑实时兑现｜TANGO 项目页官方部署视频截帧

有一点得先说清：这两个数字来自不同任务，机械臂操作和全身导航不能直接对表比“谁强”。真正可比的是接口层级的选择逻辑——而这套逻辑，做过伺服调试的工程师其实很熟：位置环、速度环、电流环各管各的频率，谁也不能替谁。人形机器人的“大脑—小脑”分层，就是同一件事在 29 个关节上的放大。下面把这三层频率一层层拆开。

一、先看一张部署图：三个系统，三个频率

TANGO 的真机部署图（论文 Figure 3）画得很直白：机载端是 Client，机房是 Server，中间用普通 IP 网络连着。

VLA 模型——白话讲，就是“看得懂摄像头画面和语言指令、能输出动作序列的模型”——跑在配 RTX PRO 6000 显卡的服务器上，每 0.5 秒推理一次，折合 2Hz。它不看一步走一步，而是一次生成一个动作块：15 步、每步间隔 1/30 秒，正好打包出半秒钟的未来动作。

▲ TANGO 云边部署架构：VLA 2Hz 出动作块、重采样 50Hz、SONIC 约 200Hz 机载闭环，低频大脑与高频小脑经 IP 网络分离｜TANGO 论文 Figure 3（arXiv:2609.09158），图内英文标注为原图自带

动作块回传到机器人后先重采样到 50Hz，再交给一个叫 SONIC 的跟踪器——白话讲，小脑：把“半秒后髋膝踝该在的角度”实时翻译成每个关节出多大力气的控制器。它跑在机载的 Jetson Orin NX 上，以约 200Hz 的频率闭环，论文原文的表述是 “closes the low-level control loop at approximately 200Hz”。

视频流往反方向走：机器人头部的前视和下视相机把画面推给服务器，上行延迟约 20 毫秒。

2Hz、30Hz、50Hz、200Hz——四个频率差出两个数量级，缺哪层都不行。大脑像领航员，每半秒报一次“接下来半秒怎么走”；小脑像握方向盘的手，每 5 毫秒修一次偏差。领航员可以迟到 20 毫秒，反正他报的是半秒后的路；方向盘的手一秒都不能停。

二、为什么大模型不能直接写关节角：抽象层级的账

商汤那份评测里最值钱的，是三档成功率的台阶：关节角 9.72%、末端位姿 15.83%、相对方向 18.06%。指令越“像人话”，成功率越高。

为什么？一个机械臂五六七个关节，让模型一次写对每个关节的角度值，每个值还要满足动力学的隐性约束——电机出不了这个力矩、关节到不了那个角度，写错一个动作就变形。而“往左 30 厘米”只锁定结果，中间每个关节怎么动，交给底层控制器去解，误差被闭环消化掉，不再压在模型身上。

调用频率是同一类账。每执行一步都喊一次模型，纠错及时但开销惊人；让模型自己决定一次执行 1 到 4 步，成功率从 15.83% 提到 20.00%，Token 消耗——模型处理指令时计费的最小单位——从 256 万降到 114.6 万，直接砍掉一半多。真机上的代价更直观：评测方记录到，GPT-6-Astra 在宇树 G1 上约 90% 的运行时间花在“想”上，一次操作实验可能超过一小时（评测方口径，无第三方复现）。

更进一步的对照也支持同一件事：在 RoboDojo 基准上，大模型开环地给子目标、VLA 埋头执行，成功率只有 5.83%；改成闭环、让大模型在执行前逐个审核候选动作，升到 25.83%；再叠加经验知识包，54.17%。模型的价值在“判断”，不在“亲手写关节角”。

做过伺服系统的人对这套逻辑不陌生：没有人让规划软件直接输出电流环的给定值。规划给目标，内环管执行，接口选在哪一层，决定了上面每一层要背多少误差。

三、TANGO 的答案：关节角可以给，但要有人兜底

TANGO 偏偏选了商汤评测里那个最差的接口——直接输出 29 维关节角加 6 维基座姿态。为什么它反而走通了？

答案在动作块的身份：它只是参考轨迹。SONIC 在机载端以 200Hz 闭这个环，把参考角度实时翻译成关节力矩，机器人真实姿态始终被拉回参考线附近。大模型给的是“意图”，小脑负责“兑现”。

论文的消融实验把这件事量化了。在增广 VLNVerse-unseen 测试集上，完整系统成功率 43.75%、碰撞率 9.90%；去掉 RTC——白话讲，就是让新生成的动作块开头对齐旧动作块正在执行的位置，避免每半秒“抖”一下——成功率掉到 10.94%，碰撞率涨到 14.60%。一个衔接算法，值 32.81 个百分点的成功率。把 SONIC 换成另一个通用跟踪器 ScaleBFM，成功率 40.94%，三顶指标都只掉 3 个点以内——说明小脑是可替换的标准件，不是绑死某个黑盒。

▲ 侧移通过窄缝：29 维全身动作里，侧移是训练中被重点加权补偿的稀有行为｜TANGO 项目页官方部署视频截帧

真机成绩单也在这里：每场景 5 次试验、每次 15 试——短航程 12/15、约 30 米长航程 8/15、带障碍 3D 场景 10/15；长航程平均每次试验碰撞 1.07 次，对照基线的 3.47 次。局限同样写在论文里：低层跟踪器的能力是整个系统的上限——上楼梯不行；纯 RGB 输入，弱光、玻璃门、视觉上含混的场景不可靠。

四、延迟的物理账：误差约等于速度乘时间

那能不能把小脑也搬上云端，全交给一个大模型？这道题可以算。

简化假设：机器人以 0.5 米/秒匀速直线走（室内导航的典型量级），两次修正之间的间隔是 Δt，那么每段间隔里机器人“盲走”的距离约为 v×Δt。

如果闭环只有大脑那 2Hz，Δt=0.5 秒，盲走 0.25 米。桌角、门框、横杆的特征尺寸是 5—20 厘米级，0.25 米足够从“许可通过”直接变成“撞上”。换成机载 200Hz 小脑，Δt=5 毫秒，盲走 2.5 毫米，比障碍的特征尺寸小两个量级——这就是“能走”和“能走稳”之间的距离。

那 20 毫秒的视频上行延迟为什么可以容忍？因为视频不是喂给闭环的，是喂给大脑的——它影响的是下一个 0.5 秒动作块的内容，而不是这 5 毫秒的关节修正。状态反馈走的是另一条路：关节编码器数据在本机，微秒级送达小脑。数据和闭环待在哪一层，延迟容忍度就差在哪一层。

假设边界：上式为匀速直线的量级估算，不含减速、避障轨迹曲率与通信抖动；实际系统的滤波和执行延迟只会让预算更紧，不会更松。

▲ 跨步越障：200Hz 闭环下“盲走”距离只有毫米级｜TANGO 项目页官方部署视频截帧

五、这套架构要喂多少数据、花多少钱

分层架构省下的是真机数据，账在论文 Table 6 里：64,633 条训练轨迹，全部由仿真管线 PET（规划—编辑—跟踪）生成，其中 PET 花了 86 个 RTX PRO 6000 GPU 小时，渲染再花 125 个小时，合计 211 个 GPU 小时。平摊下来，一条轨迹约 11.7 秒 GPU 时间（本文估算：211×3600÷64,633）。对照真机遥操——人戴着设备实时遥控机器人采数据——每小时数百到上千元的行业口径（本专题 10 月 19 日篇核验在案），这是“一条轨迹 GPU 秒级”对“一条演示人工小时级”的差距。代价也得认：sim-to-real——仿真里练、真机上走——的鸿沟，要靠仿真保真度和那个 200Hz 的小脑一起填。

训练本身另算：896 个 A100 GPU 小时。考卷成绩：VLNVerse 仿真基准上成功率 54.69%（见过场景）/52.89%（没见过的场景），都是参评方法里最高的。但注意论文脚注的口径：对照方法全部跑在“传送”设定里——规划出路径直接算作走到，只有 TANGO 带底层物理控制。分数高是一回事，敢不敢让真机执行是另一回事。

▲ 30 米长航程路线的真实办公环境｜TANGO 项目页官方部署视频截帧

六、现实校验：六七成到 99% 之间差的是什么

把镜头拉回国内。南方周末 10 月对矩阵超智 CEO 张海星的专访里有一句很实的话：零样本新任务成功率约六七成，“可 work 但不可部署”，要和客户共采真实数据训练到 99%，才能替换真人（受访人单方口径，原文在付费墙内，以转载全文核对）。

六七成到 99% 之间差的那 30 个百分点，恰好就是本专题 10 月 20 日算过的那笔账：98% 的单次成功率配上高频循环，异常处理会把免维护性拖垮。模型侧补这 30 个点，靠共采数据；小脑侧补这 30 个点，靠失效兜底和降级运行。两层各管一段，谁都替不了谁。

七、给工程师的追问清单

下次评审任何“端到端”方案，四个问题可以直接开问：

1. 小脑在哪、多少赫兹？没有 100Hz 量级的机载闭环，全身控制谈不上稳定。论文里 200Hz 是硬门槛，不是工程偏好。

2. 动作块多长、怎么衔接？有没有 RTC 这类对齐机制？去掉它掉多少点，论文里有没有消融数据。没有消融的“端到端”，先打个问号。

3. 跟踪器能不能换？TANGO 换 ScaleBFM 只掉 3 个点，小脑是标准件；如果方案绑死某家的黑盒小脑，下一代产品也被一起锁死了。

4. 云断了怎么办？20 毫秒网络分离的设计，本身就默认了大脑可以卡顿、小脑必须活着。降级预案是安全项，不是可选项。

对机械工程师，还有一层职业判断：所谓“小脑”，拆开看就是位置环、速度环、电流环那套功夫在 29 个关节上的放大，外加跌倒恢复、接触稳定这些新考题。大模型越强，这层的门槛没有降——反而因为要接住更强的意图流，被抬得更高了。

原文链接: https://www.leiphone.com/category/private/sf34zhZRPLEHrwP5.html