一套具身大模型软件，卡在标定那一步

被朋友安利了 Perceptron 这套「机器人感知-推理-执行软件」，说他们组用它省了自己搭 pipeline 的活。我手上正好有个桌面抓取的任务要横向比几套方案，就申请了试用，断断续续跑了两周。

先说它是什么。具身大模型软件，通俗讲就是把「看一眼、想一下、出动作」拆成感知、推理、执行三段。感知端把画面变成物体位姿和场景表示，推理端用视觉语言模型把一句人话拆成几步子任务，执行端再把子任务翻成关节目标。卖的就是这三段各自的接口，和中间那层黏合。

申请下来是 Python SDK 加一份文档，环境 Ubuntu 加 ROS2。相机自己标。手眼标定这套流程我熟，之前写过一篇关节模组第一次上电的帖子，里面提过零点对齐有多烦，这里是一样的道理，只是从关节挪到了相机。

我习惯先在仿真里过一遍再上真机。地瓜那套 Uranus 我用了一阵，它从真实交互数据里学动作和环境变化，支持多种本体、多视角连续推演，闭环评测的相关系数据说能到 0.98。这个数我不敢全信，但拿它当预筛够用，至少能把明显不行的策略先筛掉，省真机时间。

上手

第一个 demo 是桌面抓取。给一句「把杯子放到左边盘子里」，推理端拆成四步，执行端出关节轨迹，第一次就通了。比我预期顺。

问题出在时序上。推理那一步是几百毫秒量级，控制环是百赫兹量级，两个频率根本不在一个数量级。它输出的是动作 token，token 率和控制周期不是一回事，中间必须自己插值。这块文档写得很轻，我是跑出抖动才回头翻的。

标定是第二个坑。SDK 示例里用的是仿真内参，直接搬到真机上偏得离谱。重标一遍再跑，抓取成功率才像个样子。这一来一回花掉差不多两天。

踩坑

有篇讨论具身 RSI 的文章问得挺准，机器人是在自我进化，还是在反复刷题。我这两周的感受偏向后者，模型本身不差，但环境一换、本体一换，前面刷的东西要重来。

第三个坑是失败回传。推理层给出的计划基本是开环的，执行失败了不往回传，得自己在外面套一层状态机兜着。换本体之后指令还得重新对齐，这点跟我之前的判断一致，复用旧指令只会更乱。

还有文档。整体是研究风格，方法讲得清楚，参数说明少，几个关键的超参是我从示例代码里反推出来的。这种事在实验室里不算事，放到工程团队里就是排期风险。

结论说清楚，看情况，偏推荐给已经成型的团队。

好的地方，三层拆得干净，接口清楚，动作表示统一，跨本体迁移有个像样的基础。省掉的正是我最不想写的那部分胶水代码，这部分价值不小。

不好的地方，工程化明显不足。实时性、失败恢复、监控这些都得自己补，标定这一步基本没帮你，文档对新手不友好。

不适合谁，想开箱接上就跑的，或者团队里没人做标定和通信层的，大概率卡在第二步就停了。

它是个好底座，不是个成品。