执行摘要

Dogtor 的目标是在 E 栋为访客提供欢迎、院所介绍和经审核的科普问答。本报告系统评估两条硬件路线：具身智能（启元本体候选）负责接待与受控动作，桌面机器人（Reachy Mini）验证语音与角色表达；两条路线分别制定方案，先在固定场景做稳，再谈扩展。

优先让 Dogtor 在固定接待场景中稳定交流，再根据本体能力和场地条件扩展动作与移动。具身智能路线以启元本体为候选，桌面路线以 Reachy Mini 为优先研究对象：前者解决接待与受控动作，后者验证语音与角色表达；两条路线分别设计对话、知识与动作系统，并各自进行验证。

报告分两个板块：第一板块研究具身智能，以启元本体为候选，参考 PawAI、Go2Agent 的感知、技能和安全分层；第二板块研究桌面机器人，以 Reachy Mini 为优先研究对象，借鉴其官方对话应用和 Furhat 的语音动作设计。

当前仓库只有文本回复与模拟动作；本报告中的建议路线均以待验证方案的形式陈述，能力结论以公开资料为据，须逐项实机核验后方可对外承诺或排期。

核心结论

• 启元与 Reachy Mini 分别设计接待、知识检索、动作与安全方案，并独立验证。
• 公开案例的共识是分层与受控：PawAI 按安全、策略、表达分层并由统一执行器仲裁；Go2Agent 把动作收敛为带超时与反馈的技能目录；模型只提出技能名，不直接输出运动指令。
• 首期只承诺定点接待：预设欢迎动作加审核知识问答；自主行走、导航与多人嘈杂环境不在首期范围。
• 文中“已有结果”均来自项目与厂商公开描述，并非本项目实测；每项能力需按版本逐项实机验证后才可对外承诺。

背景与两条技术路径

机器人形态尚未确定，因此按本体能力分两条路线研究；两条路线分别制定接待方案和验收要求，独立进行验证。

接待场景与现状

Dogtor 是院所吉祥物，目标场景是 E 栋接待与科普：欢迎访客、介绍院所、回答经审核的常见问题。项目当前处于需求梳理和软件原型阶段，机器人型号、现场条件和立项范围尚未确定。

具身智能路线以接待与受控动作为主：第一阶段做定点迎宾、知识问答和少量动作，移动引导单独验证。桌面机器人路线以语音与角色表达为主：先在仿真中打磨中文问答和头部表现，再转实机。

具身智能：开源实践与落地架构

以启元本体为候选，从三个公开项目确认可借鉴的分层与受控做法：PawAI 提供感知与执行仲裁的分层样板，Go2Agent 提供技能运行时的工程样板，Pepper 医疗接待项目提供业务后端分离的参考。建议路线是启元本体 + 独立接待服务 + 安全技能层，首期只做定点迎宾、知识问答和少量预设动作。

候选本体：启元 T1

启元 T1 系列可在轮足人形与四足形态之间变形；官方标称身高 100 厘米，T1 与 T1 Pro 含电池重量分别约 16.3 与 16.8 千克。原有外形并非狗形，吉祥物改装仍需验证。

官方参数页将二次开发 SDK 列为 T1 Pro 标配、T1 无此配置；Pro 的自动变形、室内导航及自主回充标注需后续 OTA。配置、接口和实机表现仍需核实。查看官方型号对照。

开源方案与工业实践剖析

选择与四足交互、技能执行和接待业务直接相关的公开项目；候选本体以启元为入口，能力要逐项确认，不能由 SDK 名称推断实机表现。

PawAI · 四足机器人感知与执行仲裁方案 四足多模态交互 / 研究项目

技术路线：Unitree Go2 Pro 加 Jetson Orin Nano；ROS 2 感知节点处理人脸、手势、姿态和物体，语音经 ASR、语言模型与 TTS；决策层按安全、策略、表达分层，由统一执行器仲裁技能，再交给机器人驱动。

公开结果与边界：仓库展示识人问候、手势交互、语音、动作和找物等能力，并提供演示；导航标为实验性功能，且未纳入其论文评估。仓库默认配置与论文评估版本不完全相同，效果需按版本复现。

Dogtor 可参考：参考感知、决策、驱动的分层，以及动作统一出口和状态记录；第一期只引入来人触发、语音和少量动作，不照搬识人或导航。Go2 驱动不能直接用于启元。

Go2Agent · 让模型调用有限技能 本地语音与技能 / 开源演示

技术路线：语音经 Whisper 转文本，Agent 调用工具，再经 SkillRuntime、RobotSkill 和 Go2 适配器连接 SDK；仓库提供模拟适配器与本地语音路径。执行器提供资源锁、超时、验证与清理。

公开结果与边界：仓库提供文本、语音、控制台和真机接入路径，默认可用模拟适配器。项目说明 SDK 接受姿态指令不等于物理动作已经完成；硬件依赖 Go2、网络和相应环境。

Dogtor 可参考：定义欢迎、点头、停止等带参数与返回状态的技能；先用模拟器测试超时与冲突，再由启元适配器实现。以设备反馈确认动作状态，不把模型回复当成执行成功。

Pepper Medical Assistance · 接待业务与知识检索 医院接待 / 毕业项目

技术路线：项目使用 Pepper 与独立 AI 后端，结合 Whisper、在线或本地语言模型、FAISS 检索及业务工具，通过桥接层连接机器人端和现代后端。

公开结果与边界：项目描述双语接待、知识问答、导航等功能，并列出测试；这是项目方的毕业项目成果描述，不能据此推断临床有效性或在本院可直接部署。

Dogtor 可参考：借鉴机器人与业务后端分离、审核资料检索和业务工具接口。首期只覆盖公开介绍与科普，不引入医疗诊断、患者身份识别或预约系统。

推荐系统架构与工程链路

建议路线：启元本体 + 独立接待服务 + 安全技能层；链路为麦克风 / 文本 → 语音识别 → 知识检索与对话 → 技能请求 → 安全仲裁 → 启元适配器 → 官方 SDK。

1 · 本体与接口

先确定具体机型、外形、固件、授权和网络。启元 T1 SDK 提供 ROS 2 开发、消息与 Python/C++ 示例；先只读验证状态、音视频接口，再与厂商核对允许调用的动作和急停能力。官方参数页将二次开发 SDK 列为 T1 Pro 标配、T1 无此配置；还需核对交付版本与权限。

2 · 接待对话与知识

以普通话语音识别 → 审核资料分段检索 → 语言模型依据检索内容回答 → 语音合成串联起步；记录引用来源与版本。没有依据或问题超出范围时说明不知道并提示工作人员。先用公开资料做测试集。

3 · 动作与安全

将动作建成有限技能目录，每项定义前置条件、参数边界、超时、取消和反馈；模型只能提出技能名。独立仲裁检查设备状态和权限，底层急停、人工接管及失联处置由厂商和现场方案保证。

4 · 视觉与移动

首期先用按键或工作人员触发迎宾；如确有需要，再测试仅检测访客位置的视觉方案。移动引导需另行确认定位、地图、避障、限速和现场安全，不能因 SDK 存在而默认具备。

桌面机器人：多模态对话与拟人微动作

以 Reachy Mini 为优先研究对象：官方 Conversation App 组合实时语音、角色设定与编排动作，Furhat 提供事件驱动表达的编排参考。建议路线是仿真 → 接待对话 → 桌面实机，先验证交流，再确认硬件和外观；桌面版独立设计对话、知识与动作方案。

开源方案与工业实践剖析

一个可直接研究的软件平台，加一个表达设计参考。

Reachy Mini Conversation App · 语音、视觉与动作协同 桌面平台 / 官方开源应用

ESP-Ditto 滴豆 · 桌面智能硬件示范

ESP-Ditto 基于 ESP32-C5，集成屏幕、麦克风、扬声器与摄像头，可运行 ESP-Claw，参考其语音、屏幕反馈与外设交互方式。它是桌面交互示范，不能直接替代机器人机械动作或本体控制。

技术路线：官方应用组合实时语音、角色设定、异步工具和编排动作；工具可调用相机、头部动作等。SDK 和 daemon 管理运动及媒体，提供 MuJoCo 仿真；Lite 连接电脑，Wireless 含机载计算。

公开结果与边界：官方应用展示对话、头部动作、视觉工具和个性设置；仿真可运行 SDK 动作示例，但音频设备与实体不同。中文、噪声表现、网络和各版本能力需现场测试。

Dogtor 可参考：先使用仿真和官方应用理解对话及动作接口，配置 Dogtor 人设和有限工具；增加院所知识检索、拒答、中文语音和运营管理。动作映射到头部及天线，不假设具有手脚。

Furhat · 把说话、注视和表情编排在一起 社交机器人 / 交互设计参考

技术路线：官方 SDK 将语句、注视和表情放入同一交互片段，可定义关键帧动作，也可针对说话等事件触发表情；Virtual Furhat 可模拟头部、注视和表情。

公开结果与边界：文档提供虚拟机器人及语音动作编排能力；虚拟环境存在摄像头和实时口型限制。它是另一产品生态，不能直接套用到 Reachy，也不是 Dogtor 当前采购结论。

Dogtor 可参考：为“聆听、思考、回答、结束”定义轻量动作，按语音开始、结束和错误事件触发；动作幅度、节奏和中断规则需要在 Reachy 实机调校。

推荐系统架构与工程链路

建议路线：Reachy Mini 仿真 → 接待对话 → 桌面实机；链路为语音输入 → 识别与轮次判断 → 审核知识检索 → 回答与语音合成 → 动作编排 → Reachy SDK。

1 · 先跑通平台

按官方指南启动 MuJoCo 仿真和 daemon，验证头部、天线、动作结束和取消；记录 SDK 版本。Lite 与 Wireless 在供电、主机、运行位置及采购支持方面逐项比较，仿真不能替代实物声学测试。

2 · 做自然的中文交流

先采用可观测的语音活动检测、ASR、知识检索、LLM、TTS 链路；支持打断或明确的轮流说话机制，测量每环延迟、误识别与回声。实时语音方案可作后续对照，需另评估中文和数据路径。

3 · 设计角色动作

定义待机、聆听、思考、说话和异常状态：例如聆听时轻微转头，回答开始时点头，结束时回中。通过预设动作、互斥和限幅控制，避免连续对话导致动作排队或冲突。

4 · 适配 Dogtor 外观

先以可拆卸轻量样件评估视觉效果，检查头部运动空间、摄像头、麦克风、扬声器与散热；与厂商确认负载、固定方式、保修及维护。桌面形象是设计目标，尚未证明可实现。

实施规划与技术选型矩阵

两条路线分别建立技术方案和验证基线，能力选型以中文实测决定；验证按四个阶段推进，每阶段有可检查的退出条件，通过后才进入下一阶段。

关键技术选型建议

分别为两条路线建立可观测的验证基线；具体模型以中文测试、部署条件和许可核验结果决定。

四项能力各留替代路径：识别可对比 SenseVoice，检索可退回人工整理的常见问题匹配，合成可改用符合数据要求的云服务，编排参考 PawAI 统一执行出口与 Go2Agent 技能运行时；先以中文实测淘汰，再定首轮方案。

分阶段验证

四个阶段的进入条件逐级收紧：第一阶段交付需求清单与候选型号，第二阶段逐题记录回答依据与拒答，第三阶段由厂商和现场人员确认安全条件，第四阶段按事先约定的识别、准确性、延迟与接管标准验收。

待确认清单

当前需要确认的事项：四足狗形是否为硬性要求、是否需要移动引导；启元具体型号与可借用设备、SDK 和动作权限、独立急停与改装条件；Reachy Mini 供货与售后、Lite 或 Wireless、中文语音及桌面部署条件；公开知识审核人、音视频采集和保存要求、云端或本地部署、预算及人员。

• 四足狗形是否为硬性要求？是否需要移动引导？
• 启元具体型号与可借用设备、SDK 和动作权限、独立急停与改装条件。
• Reachy Mini 供货与售后、Lite 或 Wireless、中文语音及桌面部署条件。
• 公开知识审核人、音视频采集和保存要求、云端或本地部署、预算及人员。

附录：参考资料与术语

以下资料于 2026 年 11 月 3 日查阅；案例能力和许可证可能随版本变化，采购与复用前需核对具体版本、依赖和授权。术语表给出正文使用的缩写。

A. 参考资料

1. PawAI 项目仓库（四足多模态系统与执行仲裁）：https://github.com/roy4222/PawAI。
2. Go2Agent 项目仓库（语音、技能运行时与模拟适配器）：https://github.com/SCMU-AILAB/Go2Agent。
3. Pepper Medical Assistance 项目仓库（接待业务、检索与机器人桥接）：https://github.com/AlyLotfy/Pepper-Medical-Assistance-Robot。
4. 启元 T1 SDK（接口、示例和开发要求）：https://github.com/PrimebotTech/primebot-t1-sdk。
5. 启元开发者资料包（型号与 SDK 入口）：https://dev.primebot.com/download。
6. Reachy Mini 官方文档（平台与 SDK）：https://huggingface.co/docs/reachy_mini/main/index。
7. Reachy Mini Conversation App（语音、工具与动作）：https://github.com/pollen-robotics/reachy_mini_conversation_app。
8. Reachy Mini 仿真指南（仿真与音频差异）：https://huggingface.co/docs/reachy_mini/platforms/simulation/get_started。
9. Furhat 语音与动作（表达与语句编排）：https://docs.furhat.io/skill-development/reference/speech。
10. Virtual Furhat 和 SDK（虚拟交互及限制）：https://docs.furhat.io/setup/sdk。

B. 术语表

ASR（自动语音识别）：把访客语音转为文本，是语音链路的第一环；现场距离、噪声和口音决定它的实测错误率与延迟，需用授权样本先行比较。

TTS（语音合成）：把回答文本转为语音输出；由合成事件的开始与结束驱动角色动作，首包延迟与音色可懂度是选型比较项，与授权条款一起评估。

VAD（语音活动检测）：判断音频里是否有人在说话，用于语句分段与打断判断；先做检测再交识别服务，可以减少无效识别调用，也是打断机制的判断依据。

LLM（大语言模型）：依据检索到的审核资料生成回答，而不是凭记忆作答；无依据时应明确说明不知道并提示工作人员，回答需携带引用来源。

FAISS：向量检索库，按语义相似度查找分段后的知识资料；资料很少时可先退回人工整理的常见问题匹配作为维护基线，检索结果需保存来源与版本。

MuJoCo：物理仿真引擎，Reachy Mini 官方用它在不接硬件时模拟机器人；仿真能验证动作接口，但不能替代实物声学测试。

ROS 2：机器人中间件与开发框架，启元 T1 SDK 的开发基础，提供消息定义、接口说明和 Python/C++ 示例。

SDK（软件开发工具包）：厂商提供的接口、消息与示例集合；仓库存在不等于所购版本全部功能开放，能力以具体版本核对为准，接口能力以文档逐项核对。