面向科研院所 E 栋公共接待与科普场景，系统评估“具身移动平台（以启元 T1 为候选）”与“桌面交互台体（以 Reachy Mini 为对象）”两条技术路线。梳理开源实践的分层控制、动作安全防线与现场验证条件。当前仓库处于软件原型阶段，仅包含文本对话与动作模拟，不直接控制任何实体机器人。
调研引用的硬件参数、算力规格与系统能力均来自各厂商及开源项目官方公开文档（查阅日期：2026 年 11 月 3 日）。采购决策需以实测数据和商务授权合同为准。
当前仓库已构建文本接待逻辑、结构化知识检索接口与模拟机器人状态机（Mock Runtime）。不直接下发指令到任何物理电机或底盘。
大语言模型仅负责生成文本回答与提议动作名称，不能直接输出电机控制信号。所有动作均须通过白名单过滤、超时释放与急停状态校验。
根据展示需求与工程复杂度，分轨论证具身移动平台与桌面交互台体的适用范围。
以轮足与四足变形平台为基础，面向大厅入口迎宾、定点科普与受控动作展示。
以桌面台体与多自由度头部为核心，专注服务台定点问答、注视与自然交互。
评估移动机器人的分层架构、动作仲裁与安全防线，构建定点迎宾与科普系统。
启元 T1 采用轮足与四足变形构型，机械表现力强。但产品原设计并非犬类吉祥物构型，承载 Dogtor 形象须定制轻量化外罩，需向厂商核实重心变化对姿态平衡与电机发热的影响。
| 配置维度 | 标准版 (T1) | 专业版 (T1 Pro) | Dogtor 评估结论 |
|---|---|---|---|
| 感知传感器 | 单目摄像头 + 2 组 ToF | 双目 + 2 组鱼眼 + 5 组 ToF | 建议 Pro 版 感知冗余更充足，便于近身避障 |
| 板载算力 | 基础控制板 | NVIDIA Jetson Orin Nano | 建议 Pro 版 支撑边缘 VAD 与视觉处理 |
| 二次开发 SDK | 官网标称为无该项配置 | 官网标称为标配配置 | 关键准入项 必须核实采购版本包含完整 API |
| 运动规划与建图 | 基础运动、前向避障 | 全向避障；自主建图标为后续 OTA | 首期范围 仅使用固定动作，不依赖未验收的导航 |
分析三个具身智能与服务机器人开源系统，汲取其架构设计与防护策略。
采用 ROS 2 驱动层解耦设计。感知模块将视觉（人脸、手势）与语音结果格式化；决策层分为安全层、策略层与表达层；所有动作指令统一接入 Action Arbiter（执行仲裁器），实现动作互斥与状态自洽。
官方演示包含识人打招呼与找物能力，但自主导航标记为实验功能，且未纳入其论文基线评测。其开源驱动深度绑定宇树 Go2 底层协议，无法直接移植到启元 T1，需重写适配层。
吸收其“统一动作出口”设计：模型只能提出动作意图，必须通过单一执行出口进行合法性判定与状态记录，严禁多通道并发抢占驱动控制权。
采用 Whisper 本地语音转写，通过 Agent 工具调用机制将自然语言意图转换为结构化技能。设计 SkillRuntime 与 RobotSkill 抽象基类，并配有完整的 Mock 模拟适配器，支持离线无实机调试。
项目明确指出：底层 SDK 接受动作指令并不等同于物理世界中机械机构已完成动作。若无外部传感器状态反馈，连续快速对话容易造成指令堆积甚至硬件堵转。
为 Dogtor 建立严格的技能白名单，包含参数校验、超时释放机制与硬件状态回调。以真实传感器心跳判定技能完成，绝不以 LLM 输出当成执行依据。
将机器人本体仅作为语音与视觉的交互终端，通过轻量级 Bridge 连接独立 AI 后端。利用 FAISS 向量数据库检索受控知识，并结合结构化业务工具处理接待咨询。
属于学术毕业设计成果，其双语问答及导引功能未经严格医院现场安全认证与长期可靠性测试，不可直接用于临床业务。
落实“机器人本体与业务知识服务分离”原则：科普问答、院所介绍等逻辑集中托管在独立后端，确保知识库易维护、易审核，且不受硬件机载系统限制。
将语音交互、知识检索、技能判定与硬件驱动纵向分层解耦。
以启元 T1 ROS 2 接口为目标，优先只读读取电机编码器、电池状态及音视频流；向厂商获取受控动作命名空间及物理急停信令。
普通话 ASR 转写后，严格基于经院方行政及技术人员复核的知识库切片作答；超出知识边界的问题触发礼貌拒答并引导咨询现场工作人员。
动作库仅收纳“挥手欢迎”、“点头致意”、“待机自检”等有限安全动词。设立 3 秒硬超时与单例互斥锁，动作异常立即复位归零。
首期迎宾触发建议采用按键或地面近身感应；复杂人流环境下的自主巡视与跟人引导需待场地三维测绘与防撞认证后评估。
以 Reachy Mini 开源平台为基准，在仿真与受控环境中打磨自然的中文语音交互与拟人微动作。
Reachy Mini 提供基于 MuJoCo 的完整仿真环境与 Python SDK，具备头部偏转与动态天线等自由度。无移动底盘风险，是验证 Dogtor 对话系统、中文声学链路与角色交互的轻量前置平台。
可通过 MuJoCo 仿真器直接运行官方 Conversation App，无需物理硬件即可调试头部动作时序与视觉感知接口。
Lite 版本依赖外部工作站驱动（成本可控、便于算法调优）；Wireless 版本集成机载计算（接线清爽但需关注散热）。
官方示例默认基于英文音频管线；需重构为 SenseVoice / Faster-Whisper + 流式 TTS，并严格调试本地回声消除（AEC）。
滴豆集成屏幕、麦克风、扬声器和摄像头，可运行 ESP-Claw，通过自然语言定义和组合硬件功能。
对 Dogtor 的启发：以小型设备先验证语音、屏幕反馈和外设交互；其硬件与软件不能直接替代 Reachy Mini 的机械动作或启元本体控制。
Furhat SDK 强调“注视（Gaze）、语音与表情动作的时序对齐”。访客在交流中依赖眼神接触与头部倾角来确认机器人的聆听状态，单纯的语音播报容易让访客产生等待困惑。
Furhat 采用背投面部显示方案，与 Reachy Mini 的机械连杆驱动属于完全不同的技术栈；虚拟环境仿真不具备物理声学反射，相关动作幅度必须在物理台体上重新校正。
为 Dogtor 拟定五项基础交互动作：
• 待机状态：周期性轻微抬头（±2°），表明系统在线
• 专注聆听：头部微倾 5°，天线前倾保持直视
• 处理等待：头部轻微偏向一侧，提示机器人正在检索
• 话语回答：回答起点轻微点头，伴随音量节奏微动
• 话轮结束：头部平缓回正，恢复直视等待下一轮交互
梳理核心算法选型建议，确立由软件仿真向实机运行推进的四阶段验证里程碑。
| 技术维度 | 推荐工程基准方案 | 关键评估指标与验证标准 | 备选 / 演进路线 |
|---|---|---|---|
| 语音识别 (ASR) | Faster-Whisper (Large-v3-Turbo / Medium) 或 SenseVoice-Small 本地推理 | 首字识别延迟 < 350ms；大厅 1.5 米距离、信噪比 15dB 下中文字错率 (CER) < 8% | 符合院方隐私规范的高性能专用局域网 ASR 集群服务 |
| 知识检索 (RAG) | 轻量稠密向量模型 (BGE-M3 / Text2Vec) + FAISS 本地索引 + 院所审核问答库 | 审核知识召回率 > 95%；未录入或超范围问询拒答率 100%（不靠模型猜测回答） | 知识量级较小时直接采用精确关键词与规则映射作为可靠基线 |
| 语音合成 (TTS) | Piper 中文轻量模型或 CosyVoice 离线流式部署 | 首包音频流式延迟 < 200ms；发音自然专业，支持句子边界事件（用于触发打断） | 商业云端语音服务（须核验音视频流合规与本地化部署许可） |
| 动作仲裁与安全 | 带超时状态机与互斥锁的 Action Arbiter 调度器，直连硬件级急停信号 | 动作切换 0 竞态冲突；通信中断 500ms 内触发安全归位；硬件急停 100% 强切动力 | 增加机械外置碰撞接触传感器与激光防跌落微动开关 |
明确 E 栋接待的核心动线、问答知识库范围与吉祥物使用授权。收集院所第一批经行政审核的公开问答清单。
接入 ASR/RAG/TTS 链路，完成 Mock 技能调度器；在 Reachy Mini MuJoCo 仿真中打磨中文多模态时序与拒答策略。
启元本体只读读取传感器与电机状态；桌面端连接物理样机测试声学校准；验证硬件急停、超时熔断与外罩散热。
在 E 栋划定看护区域，由工作人员陪同开展真实访客迎宾演示。收集环境噪声、识别误判及问答盲区。
全部资料查阅核对至 2026 年 11 月 3 日。硬件选型与开源代码引入须遵守对应开源协议及厂商商业授权。
