AI新聞

SONIC 跑上 Asimov：人形機器人全身控制，為什麼小型 CPU 也能做？

Menlo Research 測試 NVIDIA SONIC 與 Asimov 移植版本，在機器人內建 ARM CPU 執行全身控制。本文解讀 2.6 毫秒推論、馬達迴路分工，以及初步實機測試的限制。

SONIC for Asimov 的初步實機測試畫面，機器人仍使用安全吊帶。圖片來源：https://menlo.ai/research/sonic-on-asimov

SONIC 是 NVIDIA 開源的人形機器人動作追蹤技術，能依參考動作與機器人當下狀態，產生關節目標。Menlo Research 將它帶到 Asimov 的小型電腦，測試全身控制是否能在機器人自己的 CPU 上執行。

這項 2026 年 9 月 28 日公開的研究，近日又在 X 的機器人討論中被分享。最容易引起注意的是 2.6 毫秒這個數字；真正值得理解的，則是團隊如何安排運算，讓 AI 推論和馬達控制各自按時完成。

全身控制，讓手臂和腿一起維持平衡

全身控制是把腿、腰和手臂視為同一個動作系統。人形機器人抬手或轉身時，身體重心會改變，控制器需要同時考慮各個關節，才能在重力下追蹤預定動作。

依Menlo 的技術說明，SONIC 的編碼器會把短時間的參考動作壓成動作代碼，解碼器再結合機器人狀態，輸出關節位置目標。可以把它想成先理解「接下來要怎麼動」，再決定各個關節的位置。

Asimov 移植版由 UFB 開源，保留機器人動作編碼器，並將輸出調整為 Asimov 的 23 個關節。這是適配特定機器人的模型，不能直接當成所有人形機器人的共同控制器。

Menlo 使用 ONNX Runtime，在 Asimov 的 RK3588 小型電腦上量測一次完整推論。移植版約有 1,380 萬個參數，使用兩個 ARM A76 核心時，一次推論約 2.6 毫秒。

控制政策以每秒 50 次更新，也就是每次約有 20 毫秒的時間。這些結果說明模型推論有機會放進時間預算，但數字尚未包含感測器讀取、通訊與馬達命令的整條路徑。

Asimov 的馬達迴路每秒執行 200 次，每次只有 5 毫秒。讀取通訊匯流排已占用約 4 毫秒，如果把 AI 推論一起塞進去，馬達控制就可能延遲。

團隊因此把 SONIC 放在另一條執行緒與指定核心上。馬達迴路讀取最新動作，不等待模型算完。超時的推論會被丟棄，連續三次超時則進入阻尼模式，減少機器人的動作。

這也解釋了為什麼平均速度不夠。少數特別慢的推論，可能打亂控制節奏。將模型固定到指定核心後，較慢那一端的時間分布也改善了，這對機器人比漂亮的平均數更有意義。

官方影片展示了模型在安全吊帶上的初步實機測試，也有模擬器中的參考動作與物理追蹤比較。影片裡的吊帶、模擬畫面與量測條件，都是理解成果的重要背景。

團隊的下一步是量測從感測器到馬達命令的完整路徑，再評估移除吊帶。我的判斷是，這個案例提供了很實用的工程方向：小型 CPU 可以承擔相當完整的控制模型，但即時性仍需要靠系統分工和失敗處理共同維持。

這個測試針對動作控制推論。視覺理解、語言互動與其他工作可能仍有不同的運算需求。

還需要實機驗證。摩擦、感測器雜訊、通訊延遲與機械差異，都會影響實際結果。

SONIC for Asimov 儲存庫提供移植模型、參考動作與模擬播放工具。使用前要確認機器人硬體與控制設定相容。

Asimov 的 SONIC 測試，讓小型運算平台的能力更具體。對機器人開發者而言，除了模型大小，更應看完整延遲、最慢情況與超時後的行為，這些才會決定控制能否長時間穩定運作。