Archon Robotics lança Anchor 1, modelo de controle de corpo inteiro; relatório aponta erro de punho 28% menor e abertura de pesos prevista em etapas para o fim de 2026
Segundo o Machine Heart de 6 de novembro de 2026, a empresa de robótica incorporada Archon Robotics lançou o modelo de controle de corpo inteiro Anchor 1, posicionado como o "cerebelo" System 0: em testes em robô real, o erro de posição global de punhos e tornozelos foi cerca de 28% e 39% menor que o do melhor método comparado, e a taxa de sucesso na coleta de demonstrações de teleoperação para chutar caixas de papelão subiu de 37,5% para 98,0%; os pesos e o código de implantação têm abertura faseada prevista para o fim de 2026.
O que mudou
Segundo o Machine Heart de 6 de novembro de 2026, a empresa de robótica incorporada Archon Robotics lançou o modelo de controle de corpo inteiro Anchor 1 e publicou um relatório técnico de 32 páginas e uma página do projeto, posicionando-o como a camada System 0 (S0) de uma arquitetura de inteligência de corpo inteiro, ou seja, o "cerebelo" que converte comandos em movimentos de corpo inteiro de forma estável. A reportagem afirma que os comandos emitidos pelo Anchor 1 incluem apenas cinco partes: pelve, punho esquerdo e direito e tornozelo esquerdo e direito, cada uma com posição e orientação-alvo, sem especificar as demais articulações; na implantação não há retargeting online, mas uma calibração única com a pose em T do operador e do robô, após a qual se aplicam quadro a quadro parâmetros fixos de escala, rotação e deslocamento para converter o movimento humano na escala do robô. No treinamento, o retargeting é antecipado para a etapa offline: cada trecho de movimento humano recebe um trecho de movimento do robô obtido por retargeting como supervisão e recompensa e, após controle de qualidade automático e revisão humana, o conjunto de treino tem 406.222 trechos de movimento, cerca de 1.081 horas, sendo 77% provenientes de dados de captura de movimento próprios. Na correção, os erros de rastreamento de punhos e tornozelos não entram no codificador: contornam o token e vão direto ao decodificador, além de uma cabeça de trajetória treinada à parte para reconstruir a pose-alvo quando a camada superior fornece apenas tokens. Os testes em robô real foram feitos no Unitree G1: a reportagem afirma que, em 72 trechos de manipulação de corpo inteiro, os erros de posição global de punhos e tornozelos foram cerca de 28% e 39% menores que os do melhor método comparado; na teleoperação para chutar caixas, a taxa de sucesso na coleta de demonstrações passou de 37,5% para 98,0%, com demonstrações bem-sucedidas por hora subindo de 9 para 43, e a tarefa de pegar chinelos alcançou 62 por hora com 97,37% de sucesso. A equipe também criou três trilhas de avaliação — In-house, Public e Reachability — que julgam o sucesso de cada trecho por limiar de erro ao longo de todo o movimento. A reportagem insere o lançamento em um contexto maior: no fim de janeiro deste ano a Figure incorporou o System 0 ao Helix 02, em fevereiro a Nvidia lançou o modelo-base de controle de corpo inteiro SONIC em código aberto e, desde então, Google DeepMind e AgiBot também lançaram modelos relacionados. Quanto à abertura, a Archon Robotics afirma que abrirá em etapas, no fim de 2026, os pesos do Anchor 1 e o código de implantação, além do pipeline de teleoperação e coleta de demonstrações baseado em PICO e Noitom PN-LINK.
Impacto para desenvolvedores
Para desenvolvedores, o ponto mais importante desta notícia não é um número de benchmark, mas o formato da interface. Os dois caminhos de comando descritos — teleoperação ou política de camada superior enviando cinco âncoras, e política de camada superior gerando motion tokens diretamente — determinam se você mexe no pipeline de coleta de dados ou na camada de saída da política. Se sua stack atual faz retargeting online na implantação, a ideia do Anchor 1 é mover essa etapa para o treinamento offline, deixando apenas cinco âncoras no lado da implantação; a reportagem afirma que isso exige apenas 60 ms de comando futuro, contra 80 a 90 ms nos métodos comparados, e mostra que quatro dispositivos de entrada — Xsens, CHINGMU, Noitom PN-LINK e PICO — podem ser convertidos em cinco âncoras, com operadores de 165 a 188 cm de altura e 50 a 80 kg podendo começar diretamente. A mudança na eficiência de coleta se propaga ao custo: as demonstrações bem-sucedidas por hora passando de 9 para 43 no relatório significam que o tempo humano-robô necessário para o mesmo volume de demonstrações pode variar muito, mas é um resultado autoavaliado pela Archon Robotics no G1, não uma conclusão generalizável a outros corpos. O critério de avaliação também merece atenção: a reportagem afirma que, ao afrouxar o limiar, as taxas de sucesso dos métodos se aproximam, e só ao apertar para 10 cm as diferenças aparecem, indicando que comparar controladores pela média de erro de rastreamento ao longo do trecho tende a mascarar desvios breves porém críticos. Além disso, a reportagem diz que a política de camada superior pode gerar apenas motion tokens, executados pelo Anchor 1 congelado, o que altera a divisão de trabalho entre "modelo grande + controlador". Tudo isso são afirmações do relatório e da reportagem, sem reprodução independente até o momento; antes de integrar, convém tratar interface, latência e critério de avaliação como três variáveis independentes a validar separadamente, em vez de usar o ranking do relatório como base direta de escolha.
Integração e avaliação
A seguir, análise condicional e recomendações que não são fatos da reportagem. Primeiro, decidir se a interface de entrada usa cinco âncoras ou mantém o retargeting online: se a origem são dados de esqueleto como Xsens, CHINGMU, PN-LINK ou PICO e o destino é um corpo como o G1, o caminho descrito no relatório é calibrar uma vez, aplicar parâmetros fixos quadro a quadro e não resolver ângulos articulares em tempo real na implantação; porém, se a estrutura articular do seu robô difere muito do porte do operador, essas premissas de calibração precisam ser revalidadas por você. Critério mensurável: com seus próprios movimentos de referência, medir a proporção de movimentos cujo erro de posição de punhos e tornozelos não passa de 10 cm ao longo de todo o trecho, comparar com o pipeline de retargeting online atual nos mesmos movimentos e registrar o número de mudanças bruscas de comando. Segundo, decidir se a interface exposta pela política superior são poses de cinco âncoras ou motion tokens: se a camada superior é uma VLA de grande escala que precisa de entrada compacta e estruturada, tokens favorecem o treinamento; mas se o cenário é teleoperação para coletar demonstrações e a precisão é o mais sensível, o próprio relatório recomenda priorizar o envio direto das cinco âncoras, porque reconstruir o alvo a partir de tokens causa perda de precisão (erro de posição local na simulação sobe de 21,9 mm para 22,4 mm). Critério mensurável: taxa de sucesso da tarefa com número fixo de tentativas e a diferença de sucesso ao trocar a interface na mesma tarefa. Terceiro, decidir o critério de avaliação: substituir a "média de erro de rastreamento do trecho" por julgamento por limiar quadro a quadro antes de comparar controladores, desde que você tenha um conjunto de movimentos de referência fora do treino e aceite métricas de processo como número de escorregões e passos extras; critério mensurável: se a diferença de sucesso entre métodos permanece clara no limiar mais rigoroso; se a diferença desaparece ao afrouxar o limiar, esse conjunto de avaliação não tem poder discriminatório para a escolha atual.
Limites e pontos a confirmar
A reportagem e o relatório listam limitações. A avaliação foi feita em apenas um robô humanoide (Unitree G1), sem comparação rigorosa entre corpos, então os erros e taxas de sucesso acima não podem ser extrapolados diretamente para outros modelos. As cinco âncoras descrevem apenas para onde o corpo deve ir, sem geometria de objetos, forças de contato ou estabilidade de preensão; rastrear bem o movimento não significa agarrar com firmeza; na execução autônoma, a taxa de sucesso ao pegar chinelos foi de 45%, e a reportagem reconhece que a manipulação autônoma de corpo inteiro está longe de madura. A perda de precisão ao reconstruir alvos a partir de tokens ainda precisa ser reduzida. O artigo sugere que métodos comparados na Public Track podem ter tido contato com parte dos dados públicos durante o treinamento, e a reportagem nunca nomeia "aquele modelo de controle de corpo inteiro de código aberto amplamente usado", limitando a reprodutibilidade da comparação. Quanto à abertura, a reportagem menciona apenas a abertura faseada planejada dos pesos do modelo e do código de implantação, sem indicar termos de licença, portanto não se deve tratar "pesos abertos" como licença de código aberto. Pesos e código de implantação têm abertura faseada prevista para o fim de 2026 e ainda não estão disponíveis; as capacidades, erros e números de eficiência aqui citados são todos declarados pelo fabricante. É preciso deixar claro: o Anchor 1 não aparece atualmente no catálogo de modelos do KimiSeek, e a reportagem não menciona qualquer API hospedada; o plano de abertura, o prazo de disponibilidade e os pipelines relacionados citados no texto são afirmações da Archon Robotics, não serviços já lançados ou oferecidos por este site, e a integração real deve seguir os canais do fabricante.