大模型会规划，为什么人形机器人还站不稳？关键是双层控制

视觉语言动作模型能理解“把罐子拿到白桌上”，却不适合直接负责每一次关节修正。人形机器人真正需要的是双层控制：慢速模型决定动作意图，快速控制器持续维持平衡并生成关节目标。这个分工比单纯换更大模型更接近工程答案。

发生了什么

Hugging Face 社区 9 月 25 日宣布 Unitree G1 接入 LeRobot。公开方案沿用 OpenHLM 思路：π0.5 视觉语言动作模型（Vision-Language-Action，VLA）读取语言、相机和机器人状态，预测 64 维 SONIC 潜在动作 token；SONIC 解码器再结合短期本体感知历史，输出可执行的全身关节目标，底层比例—微分控制器负责跟踪。

演示数据约 100 个 episode、71 分钟、每秒 50 帧，包含三路 480×640 相机；状态是 29 个关节位置加 2 个夹爪状态，动作是 64 维潜在表示加 2 个夹爪命令。团队用 4×H100 微调 12000 步。深度躲球策略在三随机种子仿真中达到 79.1%，空白深度输入为 0%，特权状态 oracle 为 97.4%。这些是仿真和发布方结果，公开视频不是受控真机成功率。

技术原理：为什么要两种时钟

VLA 擅长把视觉和语言变成较长时间尺度的意图，但一次前向推理的延迟、抖动和偶发错误无法满足双足平衡。快速控制器只解决更窄的问题：根据最新姿态、速度和动作 token，在更高频率上产生动力学可行的目标。共享的潜在 token 像一份紧凑“动作乐谱”，把不同动作来源接到同一执行器。

核心变化不是“大模型终于能走路”，而是把语义决策和稳定执行隔离。任务数据不必重新学习所有平衡与协调规律，快速控制层也不必理解“白桌”是什么意思。这与操作系统把策略和机制分开很相似：上层决定做什么，下层保证动作按设备约束发生。

最小实践：模拟慢规划、快执行和过期门禁

下面用一维目标演示两个频率。每 5 个控制 tick 更新一次计划，快速控制器逐步逼近；若计划太旧，就回到安全目标。它不是机器人控制器，只用于看懂调度关系。

PLAN_EVERY = 5
MAX_PLAN_AGE = 6
desired_plans = [0.4, 1.0, -0.2, 0.0]

position = 0.0
plan = 0.0
plan_tick = -999
trace = []

for tick in range(20):
    if tick % PLAN_EVERY == 0:
        plan = desired_plans[tick // PLAN_EVERY]
        plan_tick = tick

    age = tick - plan_tick
    safe_target = plan if age <= MAX_PLAN_AGE else 0.0
    error = safe_target - position
    command = max(-0.25, min(0.25, 0.6 * error))
    position += command
    trace.append((tick, plan, round(position, 3), age))

for row in trace:
    print(row)

assert len(trace) == 20
assert max(abs(trace[i][2] - trace[i-1][2]) for i in range(1, 20)) <= 0.25

依赖只有 Python 标准库，保存为 dual_rate_control.py 后运行 python dual_rate_control.py。本次在 Python 3.9 实际运行，生成 20 个控制 tick，单步位置变化未超过 0.25，两条断言通过。真实系统还要有动力学模型、传感器时钟同步、关节限位、碰撞检查和独立硬件急停，不能把这个例子接到真机。