DeepSeek拟投Winverse，机器人最后一厘米还在关节里

机器人 · 具身智能 · 编码器

从OpenVLA动作token，到双编码器和机器人身体状态

新闻事实信息图｜依据彭博2026年10月12日报道整理；非新闻原图

据彭博10月12日报道，DeepSeek拟领投机器人AI初创公司Winverse AI的种子轮融资，融资规模为数千万美元，投后估值约4亿美元。不过，这笔交易尚未最终完成，估值和投资者名单仍可能变化。

看到这条新闻，我没有先去研究Winverse准备做多大的机器人模型，而是翻开了一个开源机器人大模型的动作解码代码。

原因很简单。机器人越来越会思考，但它最后还是得动手。

把杯子放到桌面，抓住一枚螺丝，把插头推进孔位。大模型可以判断目标在哪里、下一步应该怎么动，却有一个问题不能绕过去：大脑认为动作已经完成，身体真的完成了吗？

当机器人开始依赖大模型生成动作、依赖海量数据学习操作时，这个老问题变得比过去重要得多。因为训练数据里的一个关节角度，究竟代表电机的位置、减速器输出轴的位置，还是机器人末端真正到达的位置，可能直接决定模型学到的是什么。

OpenVLA是一个公开的视觉—语言—动作模型（Vision-Language-Action，VLA）。它接收摄像头图像和语言指令，由语言模型预测动作token，再将离散token解码成连续动作数值，交给后续控制系统执行。

OpenVLA动作生成与物理执行关系示意｜根据OpenVLA项目与源码绘制

直接看它的 ActionTokenizer 源码：默认情况下，每个动作维度被限制在-1到1之间，通过256个等距分界点离散化。这里有一个容易忽略的细节：256个分界点形成255个区间，解码使用区间中心。相邻中心之间的归一化间距为：

乍一看，动作已经切分得很细了。但这个0.00784究竟是多少毫米、多少度？不能直接回答。它还要经过训练数据对应的反归一化过程，物理意义取决于动作维度是末端位移、姿态变化还是关节位置目标。

即使解码得到一个精确的连续数值，它也只是动作目标，而不是动作结果。从模型输出，到机器人真正移动，中间还有控制器、驱动器、电机、减速器、输出轴以及机械连杆。

如果减速器正在换向，电机可能先跨过一段回差，输出轴才开始运动。如果末端抓着重物，传动链又可能发生弹性扭转。高速运动时，控制目标、反馈数据和机械响应之间还会出现时间差。

今年6月29日公开的预印本《SA-VLA: State-aware tokenizer for improving Vision-Language-Action Models’ performance》，恰好触及了这个问题的上半部分。

研究人员关注VLA模型中离散动作编码带来的信息损失。一些基于向量量化（VQ）的动作分词器，会把一个离散动作码固定映射到连续动作原型。但机器人并不是每次都处于同样的状态。

同一个动作码，在不同关节构型、物体姿态和接触条件下，可能需要解码成不同的连续控制量。SA-VLA把机器人当前的本体状态引入动作解码器，让动作重建不仅依赖token，也依赖身体状态。

SA-VLA状态条件解码逻辑与论文报告的实验结果｜依据arXiv:2606.30113整理

论文在12个RoboTwin机器人操作任务中，将平均成功率由最强分词器基线的0.29提高到0.56；在三个零样本仿真到现实任务中，由0.15提高到0.33。这仍是一篇预印本，实验范围有限，不能直接推广到所有真实机器人。SA-VLA采用的VQ分词器也不是OpenVLA上述均匀分箱算法。

不过，两者放在一起能看出一个方向：动作不能只看模型输出，还要结合执行动作时的身体状态。

论文讨论的是如何让动作解码器更好地利用已有的身体状态。但身体状态究竟从哪里来？如果关节只有电机端编码器，控制器看到的是电机转子角度。那它拿到的是关节实际状态，还是通过电机角度推算出来的关节状态？

这就把问题从人工智能带回了传感器。

假设一段机械臂从某个旋转关节到末端的有效长度为600毫米。如果关节实际输出角度相对目标存在0.5度偏差，末端在相应切向方向上的位移近似为：

600 mm有效力臂与0.5°角度误差｜为阅读方便，图中角度示意已放大

0.5度，对于角度传感器来说并不算微不足道；但换算到600毫米力臂，五毫米就更加直观。如果机器人只是抓一个较大的盒子，视觉纠错和夹爪顺应性也许可以容忍；如果是插接、对孔、精密装配，五毫米足以让动作失败。

这只是单关节、单方向的几何算例。真实多关节机械臂要通过运动学雅可比矩阵分析，误差可能叠加，也可能抵消。

假设某个关节减速比为100。电机旋转100度，理想刚性传动模型会推算输出轴转了1度。但实际传动链存在回差、弹性变形与传动误差。电机转了100度，输出端未必正好转到1度。

即使电机端编码器精度提高一个数量级，也不能凭这一传感器直接确认减速器输出轴究竟到了哪里。问题不在电机编码器一定不准，而在传感器安装位置决定了它能够直接观测什么。

机器人当然还可以通过外部视觉、动力学模型、电机电流和历史状态估计这些偏差。但估计与直接测量，是两回事。

这正是一些机器人关节采用双编码器方案的原因。第一颗安装在电机端，测量转子角度；第二颗安装在关节输出端，测量减速器之后的实际角度。

双编码器测量位置与残差定义示意｜图中N表示减速比

两路角度经过零位、方向及必要的传动参数校准，并对齐采样时刻以后，可以计算电机端折算角度与输出端测量角度的差值：

其中，θₒ表示输出端测量角度，θₘ表示电机端测量角度，N表示减速比，δ表示两者之间的角度残差。

如果只有电机端编码器，这个物理差值依然存在，但无法单纯通过两端角度直接算出来。装上输出端编码器，控制器就获得了一个新的观测量。

例如，电机已经换向而输出轴还没有跟着改变，残差可能反映传动间隙正在被跨越；在负载下，残差又可能随传动弹性扭转而变化。如果残差随温度缓慢漂移，还可以研究温度与传动特性的关系。

但不能认为装上双编码器就能自动区分所有误差。相同的角度残差，可能来自回差、弹性变形、周期性传动误差或零位漂移。要辨识误差来源，还需要运动方向、电机电流、负载、温度与合理的动力学模型。

双编码器并不是把两组角度放进一个公式就结束了。真正麻烦的地方有时甚至不是角度精度，而是时间。

假设关节输出端以每秒100度旋转。电机端编码器的数据来自某一时刻，输出端编码器的数据却比它晚了2毫秒。即使传动链完全理想，没有任何回差与扭转，输出轴在这段时间里也已经旋转：

如果把两路数据错误地当作同一时刻的角度去计算残差，控制器就会看到一个并不存在的0.2度传动误差。继续用600毫米有效力臂估算：

异步采样造成虚假角度差的示例｜假定输出端100°/s恒速运动

机械系统实际上没有产生这两毫米偏差。是测量时间错位，制造出了假的角度差。当然，这并不意味着每套双编码器系统都存在2毫秒误差；同步采样、硬件锁存、时间戳对齐与适当的状态估计都可以降低这种问题。

现在再回头看VLA训练数据。一条记录可能同时包括摄像头图像、动作命令和关节角度。数据在文件里排列得整整齐齐，并不意味着它们来自同一时刻。

摄像头有曝光和传输延迟；动作命令有模型推理与通信延迟；位置反馈有采样、滤波与总线传输延迟；机械系统也需要时间响应。

如果未经校正，就把这些数据放进同一条训练记录，模型可能会把上一时刻的身体状态当成当前动作的执行结果。这类错误比角度量化误差更隐蔽：数据看起来没有异常，训练也正常运行，模型却始终学着一段不稳定的时序关系。

事情还没有结束。假设关节已经使用双编码器，输出轴角度也测得准确，是不是就可以宣布机器人到位？仍然不能。

输出端编码器测量的是关节输出轴角度，而不是末端执行器的实际空间位置。从关节到机器人手指，还有连杆、安装结构和末端工具。抓取重物时连杆可能挠曲；接触刚性工件时工具可能形变；夹爪与工件之间可能滑移。

机器人运动链四个层次的状态｜不同传感器拥有不同的测量边界

所以机器人身体里的测量其实分为不同层次：电机转子在哪里；关节输出轴在哪里；末端执行器真正在哪里；末端接触物体之后，物体究竟有没有按预期移动。

电机端编码器测量电机；输出端编码器测量关节；视觉系统提供末端与环境的空间关系；力觉和触觉提供接触过程的信息。它们彼此补充，也存在不同的带宽、延迟与盲区。

例如，相机能观察末端偏离目标，但遮挡时未必看得见接触位置；视觉可以估计变形，却不一定能提供伺服环所需的更新频率；力传感器可以反映接触作用，却无法单独确定绝对空间位置。

回到DeepSeek拟投资Winverse这条新闻。过去谈工业机器人，注意力集中在重复定位精度、控制带宽、减速器刚度和轨迹规划。现在谈具身智能，话题越来越多地转向模型参数、训练数据、动作token和泛化能力。

但两套技术体系最终必须在同一台机器人上闭合。对传统运动控制来说，位置反馈用于修正当前控制误差；对依赖交互数据学习的机器人来说，位置反馈还要成为模型理解动作与环境变化关系的重要依据。

假设机器人发出抓取命令，结果没有抓住物体。原因可能是视觉识别错了，可能是动作规划本身错误，也可能是关节没能跟上，或者关节全部到位、夹爪接触后却滑移了。

同一条“抓取失败”标签可能包含四类完全不同的问题

如果训练数据里只有动作命令和最终失败标签，这些情况可能混在一起。模型可以通过图像、历史动作与其他反馈推断原因，但观测信息不充分时，不同物理状态可能对应非常相似的数据。

这涉及控制理论中的一个概念：可观测性。内部状态并不是因为存在，就一定能够由当前的测量数据唯一确定。没有直接测量的状态可以通过模型与其他传感器间接估计，但如果多种内部状态产生了无法区分的观测，再大的模型也不能凭空创造缺失的信息。

这也解释了为什么编码器的价值不应只用分辨率衡量。16位、18位、20位描述的是角度数据的数字表达能力，不能直接等同于真实测量精度，更不能直接等同于末端操作精度。

对具身智能来说，传感器还要回答：它测的是电机端还是输出端？数据是什么时刻采集的？经历了多长时间滤波与传输？读数是否有效？它能否与其他传感器的数据一起解释一次成功或失败？

如果要判断一套具身智能控制系统的技术成熟度，我更想问四个具体问题。

第一，模型生成的动作最后变成了什么？是末端位移目标、关节角度目标，还是直接交给驱动器的命令？不同层次的目标，需要不同的反馈来验证。

第二，训练数据里的关节状态究竟在哪里测量？是电机端角度按减速比折算，还是输出轴真实测得？有没有其他测量能够校验末端位置？

第三，动作命令、视觉和关节反馈能不能对应到同一条时间轴？模型推理速度、相机帧率与编码器采样率可以完全不同，但时间关系必须清楚。

第四，机器人失败之后，系统能不能判断问题发生在哪一段？是模型判断错、关节没跟上、传动链发生变形，还是末端接触后物体滑移？

DeepSeek拟领投Winverse，说明资本继续关注机器人智能系统。更强的模型、更大的训练集、更高效的动作生成方法，无疑会推动能力进步。但机器人不会因为模型认为自己已经完成动作，就自动完成动作。

从动作token，到电机；从电机，到关节；从关节，到末端；再从末端，到真实世界中的接触结果。这条链上，每向前走一步，都需要面对新的物理状态与测量边界。

对于做编码器和运动控制的人来说，这也许是一个重新认识行业价值的机会。过去，编码器主要是把角度交给控制器。以后，编码器数据还可能进入机器人学习系统，成为它理解自身运动的重要依据。

这不意味着每个关节都必须装两颗编码器，更不意味着编码器可以代替视觉和力觉。而是说，模型越依赖真实世界的数据，就越应该分清：哪些状态已被测量，哪些只是被估计，哪些仍缺少足够的观测依据。