国产具身机器人进家庭：基于宇树 Go2 与人形本体的 SDK 接入、家务探索与现实边界

最近后台收到不少做二次开发的朋友提问：现在手里有了宇树的机器狗（比如 Go2 Edu），或者实验室进了一台 Unitree G1 / H1、智元远征系列这样的人形本体，能不能直接拉到家里当「赛博保姆」用？

答案很明确：如果你期待的是它能自己把衣服叠好、把地面拖干净，那现在的技术栈完全做不到；但如果你把目标定在「低速伴随巡视、特定物件搬运、通过视觉语音模型进行多模态陪伴」，结合现有的 SDK 和局域网算力，它是可以跑通一个闭环 demo 的。

今天不画大饼，聊聊怎么用现有的国产硬件接口落地家庭场景，顺便把坑点和安全边界讲清楚。

一、 硬件选型与职责分工

在家庭环境下，四足和双足人形的物理特质决定了完全不同的应用路径：

1. 宇树 Go2（推荐 Edu 版）

   • 角色定位：低姿态伴随、家庭底盘巡检、特定点位叫唤、推拉低矮轻量物体。
   • 优势：自重轻（约 15 kg 左右），自带超广角 4D LiDAR，越障和稳定性远高于现阶段的人形；SDK 开放程度高，DDS 通信稳定。
   • 劣势：缺少机械臂就毫无操作能力；站立高度有限，视野处于人类膝盖以下。

2. 通用人形本体（以 Unitree G1 / 智元系列为例）

   • 角色定位：台面级物品抓取、递送、高位交互。
   • 优势：具备拟人自由度，双臂工作空间能覆盖餐桌和茶几高度。
   • 劣势：双足动力学在光滑瓷砖或软地毯上容易打滑；零位标定繁琐；自重与关节扭矩偏大，在家庭狭窄环境下的安全容错率极低。

二、 宇树 Go2 SDK 接入：实现安全的「慢速伴随」

要做家庭陪伴，第一步不是接入大模型，而是速度限幅与防碰撞。家庭环境障碍物密集，官方默认的奔跑速度在室内极易撞碎家具。

宇树 Go2 使用的是基于 CycloneDDS 的 unitree_sdk2。以下是一个基于 Python SDK 的低速受控跟随框架示例，重点在于安全阈值过滤：

import time
import sys
from unitree_sdk2py.core.channel import ChannelFactoryInitialize
from unitree_sdk2py.go2.sport.sport_client import SportClient

class HomeCompanionDog:
    def __init__(self, network_interface="eth0"):
        # 1. 初始化 DDS 通信通道
        ChannelFactoryInitialize(0, network_interface)
        self.sport_client = SportClient()
        self.sport_client.SetTimeout(5.0)
        self.sport_client.Init()
        
        # 安全限幅参数（家庭环境严格限制）
        self.MAX_VX = 0.3   # 前进最大线速度 0.3 m/s
        self.MAX_VY = 0.15  # 横移最大线速度 0.15 m/s
        self.MAX_VYAW = 0.5 # 旋转最大角速度 0.5 rad/s

    def safe_move(self, vx: float, vy: float, vyaw: float):
        """
        带限幅的运动控制接口
        """
        # 强制截断超标速度
        target_vx = max(min(vx, self.MAX_VX), -self.MAX_VX)
        target_vy = max(min(vy, self.MAX_VY), -self.MAX_VY)
        target_vyaw = max(min(vyaw, self.MAX_VYAW), -self.MAX_VYAW)

        # 发布运动指令
        self.sport_client.Move(target_vx, target_vy, target_vyaw)

    def emergency_stop(self):
        """阻尼刹车，避免硬挺倒地砸伤地板"""
        self.sport_client.Damp()

if __name__ == "__main__":
    if len(sys.argv) < 2:
        print("Usage: python3 demo.py <network_interface>")
        sys.exit(-1)

    dog = HomeCompanionDog(network_interface=sys.argv[1])
    
    try:
        print("进入慢速伴随模式...")
        # 模拟低速前进与微调转向
        dog.safe_move(vx=0.2, vy=0.0, vyaw=0.1)
        time.sleep(3)
        dog.safe_move(0, 0, 0)
    except KeyboardInterrupt:
        dog.emergency_stop()

踩坑提醒：

• 别用 Wi-Fi 跑高频实时控制（500 Hz 的状态回传）。走无线路由时，DDS 的丢包会导致运动状态卡顿甚至看门狗触发停机。如果做边缘端跟随，把计算脚本跑在 Go2 自带的高算力模组或机载树莓派/Orin Nano 上，走本地以太网通信。

三、 引入多模态模型：家务与互动的逻辑闭环

目前让机器人理解「把茶几上的药瓶拿过来」，通常采用 端侧 VLM + 本地控制器解耦 的思路：

1. 感知层（眼睛与大脑）： 机载深度相机（如 RealSense D435i 或本体前视相机）抓取画幅，局域网推流至主算力节点（RTX 4090 或边缘盒子）。运行轻量化视觉语言模型（如 Qwen2-VL-7B-Instruct），Prompt 限定其输出目标物件的 2D Bounding Box 及深度估计。
2. 任务规划层（逻辑流）： 解析大模型的输出，判断任务状态：
   • NAVIGATE_TO_TARGET（导航到位）
   • ALIGN_POSE（对齐末端姿态）
   • EXECUTE_GRASP（执行抓取动作）
3. 执行层（本体运动）：
   • 如果是四足加装轻量机械臂（如二叶草、睿尔曼），调用机械臂 MoveIt 或自写逆解，下发关节轨迹；
   • 如果是人形本体，利用灵巧手或二指夹爪闭合，结合电流环读取反馈力矩，防夹碎纸盒或水杯。

四、 现阶段不可回避的现实边界

在把机器人放到客厅之前，有几个物理硬伤是当前官方文档不会大篇幅强调、但工程上必须面对的：

1. 地毯与软地面的状态估计漂移 无论是四足机器狗的足端力传感器，还是双足人形的状态估计器，多数默认标定都在硬质地面（环氧地坪、水泥）。一旦走到客厅的长毛地毯上，足端触地判定会频繁误触，导致步态解算器震荡，机器狗容易原地小碎步，双足人形则容易直接发散摔倒。
2. 家庭电线的「绞杀效应」 Go2 的足式连杆和关节缝隙极其容易卷入地面散落的手机充电线、插线板。一旦卷入，无刷电机过流堵转，虽然有保护停机机制，但解开往往需要拆螺丝。
3. 人形双足的高危险系数 Unitree G1 这种体量的人形，关节峰值扭矩并不小。在客厅测试全身运控时，必须悬挂吊架。双足在动态平衡过程中，一旦遇到小孩碰撞或踩到玩具，整机倾倒砸在实木地板或茶几上的破坏力极大，目前绝对不能在无人看护下自由走动。
4. 有效作业时长 四足带负载持续行走通常在 1.5 到 2 小时；人形本体做双臂负载测试，电池往往只能撑 40 到 60 分钟左右，发热降频也是常见问题。

五、 总结与现阶段可行建议

具身智能进家庭不是一蹴而就的。针对现阶段手头有设备的开发者，务实的落地步骤是：

• 阶段 1：把宇树 Go2 作为可移动传感器平台，只做室内低速巡检、环境异响识别和老幼状态监控，不要急着给它装抓取机构。
• 阶段 2：人形本体目前更适合在固定场景（如开放式厨房台面、固定工作台）做「上半身操作测试」，下半身保持固定或低位双足静止，验证灵巧手对日用品的抓取泛化率。

先在受限场景把鲁棒性做扎实，远比一上来就调一个在客厅摔得四脚朝天的 Demo 有价值得多。