如何在家组装一台人形机器人：Asimov 1 完整装机指南

想亲手造一台人形机器人的爱好者，往往不知道从哪里开始。他们看 Unitree 或 Figure AI 的视频，读几篇论文，也许再买一套小型 hobby 套件，然后发现"在受控实验室里翻跟头的机器人"和"我能真正造出来、改得动、看得懂的机器人"之间隔着一道巨大的鸿沟。这道鸿沟之所以存在，是因为大多数人形机器人都是封闭系统：你看不到它的内部，不可能两天内买到替换零件，想改一个关节设计更是无从下手。

Asimov 1 是一套 DIY 套件，包含在家组装一台人形机器人所需的全部东西。

本文改编自 Asimov 团队（Menlo Research）发布的装机指南，完整走一遍这条路径：硬件、加工、电子、控制栈，以及大多数指南都会跳过的 sim-to-real 迁移工作。Asimov 1 套件售价 2 万美元、送货上门，自 8 月底开始发货，客户遍布 20 多个国家；BOM、CAD 文件、仿真环境与基线行走策略全部开源。它的定位很直接：为那些想在这项技术成熟时"在场"的人，提供进入人形机器人领域最快的路径。

你要造的是什么

Asimov 1 身高 1.2 米，重 35 公斤，共 25 个主动自由度：每条腿 6 个、每条手臂 5 个、腰部 1 个、颈部 2 个。它集成传感器套件与机载算力，并自带一套可以直接在机器人上运行的基线行走策略。

属性	规格
身高	1.2 米（头部 0.17 米、躯干 0.36 米、腿部 0.7 米）
体重	35 公斤
主动自由度	共 25 个：每腿 6、每臂 5、腰 1、颈 2
执行器	踝与颈共用 36 Nm 电机；髋俯仰与腰偏航共用 120 Nm 电机
踝关节机构	并联 RSU 连杆（两台电机经共享连杆驱动俯仰与翻滚）
传感器	单目相机、IMU、麦克风、扬声器、电机关节状态反馈
算力	边缘计算板（高层控制）、运动控制板（内部总线）、网络板、配电板
组装耗时	约 20 小时（发布时预估为 100 小时）
套件价格	20,000 美元，送货上门

套件里有什么

类别	内容
硬件	BOM 全部未组装零部件、电源与线缆、备件
算力	高层控制边缘计算板、内部总线运动控制板、网络板、配电板
传感器	单目相机、IMU、麦克风、扬声器、电机关节状态反馈
安全	物理急停与无线急停、安全规范、标签、操作指南
软件	预训练行走策略、机器人云 API 与 CLI、底层控制边缘 API、遥操作 App、虚拟 Asimov 数字孪生
文档	快速上手指南、完整装配手册、DIY 视频教程

不含：工具、电池、4G/5G 模块，以及激光雷达、360 度相机等高端传感器。团队也给了一个诚实的提醒：这不是玩具，复杂度更接近一辆汽车，而不是一个周末手工项目。

组装：二十小时、五六个系统、一次干净的上电

预计耗时约 20 小时。设计迭代把这个数字从发布时的 100 小时降了下来；工作并没有变简单，只是变少了。人形机器人不是单一系统，而是五六个必须先协同工作、否则谁都没用的系统：机械结构必须先正确，才能接线；接线必须先正确，才能上电；上电必须先干净，才能标定；标定必须先正确，仿真才有意义。

多数人低估了接线与 bring-up。他们以为难点在机械装配，因为那是看得见的部分。实际上难点通常在第一次上电：电机转向反了、关节回零错了、装配前忘了写 CAN ID。这些都是可修复的问题，但需要时间，而且要求机器人在一个受控、安全的状态下才能被发现。每个阶段都有自己的失效模式，不能跳步。这 20 小时不是装配时间，而是理解你造出来的东西所需的最短时间。

正确的第一个里程碑不是"让它走起来"，而是一次干净、安全、可验证的上电。

开工前需要具备什么

组装 Asimov 需要三个方向的能力。你不需要在任何一项上是专家，但要能独立把问题啃下来。

• 机械。你要装配结构件、按规格扭矩拧紧固件，并面对一个行为完全不像标准串联关节的并联踝机构。如果你装过 RC 车、工业设备或任何承力结构，基础就够。
• 电子。你要在 CAN 总线上接电机、写电机 ID、焊连接器、用万用表排查信号问题。如果你做过入门级以上的电子项目，就准备好了；如果没有，请在装配之前（而不是之后）先读手册的接线章节。
• 软件与仿真。你要配置控制栈、验证仿真链路，并对固件有足够理解以排查时序问题。需要具备基本的 Linux 与 Python 能力。

工具	必要性	用途
内六角扳手 M2–M6	必需	全程装配内六角螺钉
电烙铁	必需	焊接电子元件
剥线钳	必需	焊接或压接前处理线头
压线钳	必需	把连接器牢固压接到导线上
万用表	必需	上电前后测电压、通断、排查接线问题
热风枪	必需	线缆连接处热缩管
标签机	推荐	装配时给每根线、每个连接器贴标签，调试时你会感谢自己
CAN 转 USB 适配器	推荐	装配后直连电机做 CAN 测试与验证（如 Waveshare）；跳过它会让电机排障难得多

硬件：共享执行器家族，与一只"不是串联"的踝

Asimov 在载荷允许的地方尽可能复用执行器家族：踝与颈用同一款 36 Nm 电机，髋俯仰与腰偏航共用同一款 120 Nm 单元。电机型号越少，BOM 越简单，凌晨两点出问题时可能的故障点也越少。

踝关节是设计中最反直觉的地方。36 Nm 看起来不足以稳定整机体重，但 Asimov 的踝不是串联关节，而是并联 RSU 机构：两台电机通过共享连杆驱动俯仰与翻滚，载荷被分摊，串联关节的直觉在这里不适用。

这个区别的影响远超机械设计本身：它会传播到仿真、控制与部署。在仿真里训练行走策略时，踝常被简化为直接驱动；而硬件上并不是。因此从仿真部署到真机必须做运动学重映射，漏掉这一步，策略在关节层面就会失效，根本走不起来。腿部共 12 个主动关节、每侧 6 个，没有脚趾关节：蹬地与向前失衡恢复完全由踝承担，这也是并联踝机构承担了整个腿部设计大部分权重的原因。

加工：什么能打印，什么不能

每个零件都遵循一套命名规范，名字本身就告诉你它该怎么制造：字母编码了加工方式与材料家族。

代码	工艺	材料	典型用途
A	CNC 机加工	铝合金 7075	承力结构件，如髋俯仰支架
B	SLM 金属打印	316L 不锈钢	高应力小零件
C	SLS / MJF 打印	PA12 尼龙	理线支架、外壳、非承力结构
X	外购标准件	—	执行器、紧固件、电子件等

FDM 打印不能用于结构件，这不是偏好问题，而是公差与强度问题。7075 铝机加工的髋俯仰支架能承受 35 公斤机器人运动中的反复动载；桌面打印机打出来的 PLA 同款支架不能：它会在载荷下挠曲、给关节引入旷量，并破坏控制栈赖以建立的机械假设。支架层的坏几何会传播成脚底的坏接触几何，再传播成坏训练数据，最终产出一个无法迁移的策略。失效链的起点在加工环节。

SLS / MJF 打印的 PA12 尼龙则不同：理线支架、外壳、非承力结构可以用它，因为这些零件不在机械载荷路径上。加工代码告诉你每个零件属于哪一类，照着做。如果你自行采购，团队推荐 PCBWay 或 JLCMC 做机加工与打印件，交期与质量可预期；用套件的话，零件到手即可装配。

电子与接线：CAN 顺序是控制问题

算力栈包括高层控制的边缘计算板、内部总线的运动控制板、网络板与配电板。电机通过 CAN 通信，IMU 也经同一条通信路径进入固件。

接线是多数首次装机者花掉意外时间的地方，而 CAN 总线顺序比人们预想的更重要。Asimov 早期开发中，电机状态请求按顺序发出，但响应可能乱序返回。这在通信层完全合理，但在控制层不行：策略会把陈旧、乱序的状态当成真实的物理偏差，过猛地施加纠正动作，产生的冲激励起双腿振荡——机器人还没迈出一步就把自己抖散架了。

修法是让真实 IO 采样路径与训练环境期望的完全一致：按预定速率采样执行器、等待期望的报文顺序，不要让通信层的灵活性在控制层制造时序歧义。这类问题只有亲手装机、亲手接线才能真正理解。

仿真与控制问题

行走不是机械问题，而是数据问题。行走策略是用强化学习在仿真中训练的神经网络，核心问题不是网络有多精巧，而是策略在仿真中看到的数据，与它在硬件上看到的，是否在类型、时序、质量上同一级别。多数 sim-to-real 失败不是物理失配造成的，而是时序偏移、陈旧观测、总线抖动，或仿真与硬件上控制信号计算方式不同造成的。物理做对了、时序做错了，策略照样崩。

Asimov 已经跨过了这道坎：仿真中训练的行走策略直接在真机运行，零微调、零真机迭代。三个速率是刻意分离的。

回路	频率	说明
物理	200 Hz	仿真步长
观测与 IO	200 Hz	关节按真实 CAN 轮询顺序分组，最旧一组带 0–2 步延迟
策略执行	50 Hz	actor 从不在"完全新鲜"的仿真状态上训练

策略刻意不在完全新鲜的仿真状态上训练：它训练所用的数据本身就已经带有控制回路的时序痕迹，因为真机产出的就是这样的数据。关节观测按真实 CAN 轮询顺序分组：不同关节的新鲜度不同，最旧一组带 0 到 2 步延迟，最新一组没有。这种错层结构不是仿真伪影，而是对硬件行为的刻意建模。

flowchart LR
    subgraph sim ["仿真（训练）"]
        phys["物理\n200 Hz"] --> obs["观测与 IO\n200 Hz\n关节按 CAN 轮询顺序分组\n0-2 步错层"]
        obs --> actor["Actor MLP\n50 Hz\n45 维观测"]
        obs --> critic["Critic（仅训练）\n+ 真值基座线速度\n脚高、离地时间、\n接触状态与接触力"]
    end
    subgraph hw ["真机（部署）"]
        can["CAN 总线\n电机 + IMU"] --> io["IO 采样\n200 Hz，固定报文顺序"]
        io --> actorhw["Actor MLP\n50 Hz\n关节目标下发到电机"]
    end
    actor -- "同一权重，零微调" --> actorhw

振荡问题，以及它教给你的事

开发早期，机器人一上电就剧烈振荡。本能反应是加阻尼、重调奖励、改硬件——都没用。真正的原因是两个问题在相互作用。

第一，仿真中的 PD 增益产生了一个欠阻尼系统。机器人底层跟踪是标准的比例-微分律：

$$\tau = K_p\,(q_{\mathrm{des}} - q) + K_d\,(\dot{q}_{\mathrm{des}} - \dot{q})$$

而策略只是一个 MLP，它的工作就是从看到的数据里拟合一个函数。在欠阻尼仿真数据上训练，它就学会欠阻尼的控制行为，并把它带上真机。真机上增益本身没问题，但策略学到的行为会过冲；每次过冲触发更大的纠正，持续振荡随之而来。第二，CAN 报文乱序让策略对着已经不代表现实的状态做纠正，每个周期都在放大振荡。两个问题必须一起修：只修增益，策略仍在吃乱序状态，不行；只修 CAN 顺序，控制器仍欠阻尼，也不行。

教训不只是"认真调增益"，而是：仿真与硬件必须产出同一类别的数据。数据域一旦分叉，策略学到的行为就无法迁移，无论单个参数值看起来多么物理合理。这些不是从论文里学来的，而是通过装机、接线、看它抖、再沿控制栈往回找原因学来的。

训练行走策略

actor 网络观测 45 维：IMU 角速度、投影重力、指令速度、按 CAN 时序分组的关节位置、按 CAN 时序分组的关节速度，以及上一步动作。形式化地：

$$o_t = \big[\ \omega_t,\ \tilde{g}_t,\ v^{\mathrm{cmd}}_t,\ \{q^{(k)}_{t-\Delta_k}\}_k,\ \{\dot{q}^{(k)}_{t-\Delta_k}\}_k,\ a_{t-1}\ \big], \qquad \Delta_k \in \{0, 1, 2\}$$

其中每组关节 $k$ 带着 CAN 轮询顺序决定的陈旧度到达。真值基座线速度被刻意排除，因为真机测不到它：用不可获得的信息训练，只会产出部署即崩的脆弱策略。

这一点值得停下来想一想。多数行走 baseline 会把真值基座线速度喂给策略，因为它让训练更容易、更快：收敛更快、数字更好看。但部署时这个信号消失了。机器人有 IMU 和编码器推出的关节状态，没有真值速度传感器。用不可获得的信息训练的策略会学会依赖它，而对不可获得信息的依赖只是一种延迟发生的失败。

critic 拿到的更多。训练期间它除了 actor 看到的一切，还额外获得真值基座线速度、脚高、脚离地时间、脚接触状态与接触力：

$$s_t = \big[\ o_t,\ v^{\mathrm{base}}_t,\ h^{\mathrm{foot}}_t,\ T^{\mathrm{air}}_t,\ c_t,\ F^{\mathrm{c}}_t \big]$$

信号	Actor（部署）	Critic（仅训练）
IMU 角速度、投影重力	是	是
指令速度	是	是
关节位置 / 速度（按 CAN 分组，0–2 步错层）	是	是
上一步动作	是	是
真值基座线速度	否	是
脚高、离地时间、接触状态、接触力	否	是

actor 与 critic 之间的这种不对称，是整个设计里相当优雅的一处。critic 是仅训练组件，从不在真机运行，因此可以接收仿真独有信号来帮助它学出更好的价值估计；actor 是部署组件，因此被限制在硬件真实存在的信号上。结果是一个"用丰富信息训练、只用机器人测得到的信息部署"的策略：critic 在训练期扛下重活，actor 就不必在部署时作弊。

没有步态时钟。Asimov 的运动学是它硬件特有的：踝的活动范围受并联机构限制，从别的机器人几何借来的手工步态相位只会无谓地约束策略。策略自己发现适配这套硬件的步态。

奖励集合很紧凑：速度跟踪、姿态惩罚、离地时间奖励、动作平滑、扭矩效率、姿态塑形、稳定性惩罚、接触力上限。奖励设计并不是主要瓶颈。策略只有在执行器模型、时序模型、观测接口都做到准确之后才变得可部署；在糟糕的系统辨识之上调奖励，什么都调不出来。

最后你得到什么

在最终栈上，Asimov 可以前进、后退、侧向行走，并在外部推扰下恢复平衡，全部由同一个底层策略处理。数据采集支持相机、音频、IMU 与电机关节状态；基础行走可通过遥操作完成；自定义 AI agent 可以经云 API 嵌入；还提供一个数字孪生，供你在碰硬件之前先做仿真工作。

v1 设计的诚实边界：操作（manipulation）暂不在范围内（夹爪几个月后到货，操作与 loco-manipulation 会在同一硬件上跟进）；跳舞这类高级运动不在范围内；onboard 训练不在范围内。这些是版本一的边界，不是永久限制。

为什么要自己造

团队称自己花了超过 10 万美元从零学会人形机器人，好让别人不必从零开始：BOM、CAD 文件、仿真环境全部公开，基线行走策略也开源，你可以读它、重训它、或替换它。

自己造一台 Asimov，你会理解踝为什么用并联机构，理解 CAN 顺序为什么对控制重要，理解真值基座线速度为什么不能进 actor，理解"纯净仿真器"与"建模了真实时序的仿真器"的差别。这些理解无法从 YouTube 视频里获得，只能通过装配机器人、接电机线、跑策略、看它失败、再修好它来获得。多数想造人形机器人的人读完这篇会继续等：等更多文档、更成熟的套件、更好的时机。那个时机不会来。真正理解人形机器人的人，都是在它还不简单的时候就动手的那批人。

---

来源：本文为 X 文章 《How to build a humanoid robot at home》（作者：Asimov / Menlo Research，发布于 2026-04-11）的完整改编。参考资料：menlo.ai/asimov-1、装配手册 docs.menlo.ai/asimov/1、套件页 asimov.inc/diy-kit。全部图片与视频版权归 Asimov / Menlo Research。