从今年各大机器人公司的发布会节奏来看类人机器人已经不再是实验室里的展示品。过去几年我们看到的类人机器人普遍是几十万到上百万人民币的造价主要出现在科技展会或者大公司的宣传视频里。但 Nori Robotics 发布的 Nori A3 把价格直接压到了 1688 美元这个数字放在整个类人机器人行业里都算得上是一个分水岭。它意味着类人机器人开始从“机构级设备”迈向“开发者玩具/开发平台”。这篇文章不是要吹捧某个产品而是想从技术角度拆解一个问题Nori A3 这样的低价类人机器人到底能给开发者带来什么价值它适合做哪些事情又不适合做什么如果你正好在研究机器人、SLAM、多模态 AI、嵌入式系统或者正在考虑入手一台类人机器人做原型验证这篇文章可以帮你梳理清楚“它能做什么”和“你要怎么用它”。文章会从硬件架构、开发环境、基础控制、视觉识别、整套实战流程和常见坑位几个维度展开尽量让读者不仅看懂新闻还能知道拿到手之后第一步、第二步、第三步该怎么走。1. Nori Robotics 与 Nori A3 到底是什么1.1 一家 YC S26 的机器人创业公司Nori Robotics 是 Y Combinator 2026 年春季批次YC S26里的创业公司。Y Combinator 的筛选标准通常更看重项目是否有清晰的用户群体和快速迭代能力所以 Nori Robotics 能够进入 S26说明它的产品定位不是空泛的“未来人形机器人”而是更接近一个可以快速交付、有明确开发者受众的实体产品。从公开信息来看Nori A3 是这家公司主打的小型类人机器人价格 1688 美元约合人民币一万二千元左右汇率会波动以实际为准。这个价格对于类人机器人来说已经算是非常激进的定位。作为对比目前市面上的双足人形机器人即使是最低配的科研版本往往也要好几万人民币工业级人形机器人更是十万到百万级别。Nori A3 的定位显然不是工业场景而是面向开发者、教育机构、极客玩家和 AI 研究者的桌面级类人机器人。这就像当年树莓派和 Arduino 降低硬件开发门槛一样Nori A3 想做的是把类人机器人的“操作面板”交到普通开发者手里。1.2 1688 美元意味着什么价格是理解这个产品最重要的信息点。1688 美元不是高端旗舰手机的价格更不是工业机器人的价格。这个价位决定了它大概率不会配备昂贵的六维力传感器、高性能灵巧手、高精度激光雷达或者大算力 GPU 模块。它的成本控制方式一定是通过成熟的消费级零部件、开源软件栈和简化结构来实现的。但越低的价格反而越能推动生态建设。当一个硬件的价格降到多数开发者可以自费购买的程度它就会拥有大量真实的使用反馈、开源代码和社区教程。这类产品往往不是靠卖硬件盈利而是靠后续的配件、软件服务、课程授权和生态合作来建立商业闭环。所以我的判断是Nori A3 真正的价值不是“和特斯拉 Optimus 比谁更像人”而是“让更多程序员能在自己桌上拥有一台可以编程、可以交互、可以跑 AI 算法的实体类人机器人”。1.3 它解决的核心问题类人机器人之所以难普及有三个核心原因硬件成本极其昂贵尤其是高性能电机、减速器和灵巧手。软件栈复杂运动控制、感知、导航、决策全都需要专业开发。调试门槛高没有仿真和远程调试工具实验一次要花大量时间。Nori A3 用低价开发者友好的方式切入尝试解决的是其中第一个和第三个问题。价格做到 1688 美元是为了让个人开发者买得起配套 SDK 和仿真环境则是为了让开发者能在没有实体机器人的情况下先把代码跑起来。如果你是一个刚入门机器人开发的学生或者想验证某个 AI 算法的创业团队这样的设备比使用公共实验平台更灵活。2. 类人机器人的核心硬件架构要真正用好一台类人机器人首先要理解它的硬件组成。很多初学者拿到机器人之后只会按照官方示例跑一遍遇到自定义任务就束手无策就是因为不清楚每个部分的作用。2.1 类人机器人的通用硬件分层无论什么价位的类人机器人在硬件层面都可以划分为以下 5 个模块模块核心部件作用常见选型感知系统摄像头、IMU、麦克风、激光雷达可选获取环境图像、姿态、声音RGB 摄像头、6 轴 IMU、阵列麦克风决策系统主控板、嵌入式处理器、AI 加速器运行感知算法、运动规划、LLM 推理Raspberry Pi、Jetson、ESP32、x86 工控板执行系统舵机、直流电机、减速器、关节结构驱动机器人头部、手臂、腿部总线舵机、步进电机、无刷电机能源系统锂电池、电源管理模块为所有模块供电7.4V/11.1V 锂电池组通信系统Wi-Fi、蓝牙、USB、串口与 PC/手机通信多机协同Wi-Fi 模块、USB 转串口Nori A3 作为低价产品感知和决策模块大概率采用消费级方案例如使用单个 RGB 摄像头 IMU主控可能是一块 ARM 开发板运动控制采用串行总线舵机。这种配置的好处是成本低、资料多、容易替换坏处是算力有限跑不了大规模大模型。2.2 控制层级拆解类人机器人的控制不是“遥控器按一下它就动”这么简单。真正会用到的是三层控制逻辑底层关节控制向舵机发送目标角度实现关节转动。中层运动控制组合多个关节的协调运动比如抬手、抓取、行走如果是双足。上层 AI 决策根据视觉、语音信息决定机器人下一步执行什么动作。开发者的工作大多集中在中层和上层。底层关节控制通常由厂商 SDK 封装成接口开发者直接调用即可。但仍需要知道接口背后的数据流。2.3 为什么价格可以压得这么低我们可以从三个角度理解成本压缩使用成熟量产运动模块小型舵机在航模、机器狗行业已经非常成熟单颗价格可以做到几十元到几百元Nori A3 这样的尺寸不需要昂贵的大型液压驱动。简化自由度完整的人形机器人通常有 30-40 个自由度而小型教育机器人可能只保留 15-20 个自由度减少电机数量就减少了一大半成本。复用开源软件栈运动学、SLAM、目标检测等都可以使用 ROS2、OpenCV、TensorFlow Lite 等开源方案不需要自研底层算法。这并不意味着 Nori A3 是粗制滥造而是说明它选择了一条非常务实的工程路线不做“大型通用人形机器人”而是做“够用的开发者实验平台”。3. Nori A3 的定位开发者平台而不是工业生产力工具很多读者看到“类人机器人”四个字容易产生过高的期待认为它能够像人一样走路、拿东西、做家务。但 1688 美元的预算决定了 Nori A3 不是一台通用人形机器人。3.1 与高端人形机器人的定位差异对比维度Nori A3 这类低价类人机器人高端人形机器人如 Tesla Optimus、Figure 系列目标用户开发者、教育者、极客制造业、物流业、商用服务价格区间千元至万元级数十万到百万级自由度较少通常在 20 个以内较高通常在 40 个以上感知能力基础视觉、IMU多传感器融合、高精度力控应用场景教学、原型验证、AI 研究工厂搬运、柔性制造、复杂服务软件生态开源 SDK、ROS2商用 API、专用仿真平台从这个表可以看出Nori A3 要做的事情不是帮工厂搬箱子而是帮开发者验证算法、跑通交互逻辑、学习机器人系统。3.2 适合 Nori A3 的研究方向如果你有下面这些需求Nori A3 会是一个很合适的载体多模态 AI Agent 实验将视觉、语音、运动控制结合做一个“能听会说会动”的机器人助手。SLAM 与导航研究在桌面或室内环境测试建图、定位和路径规划算法。强化学习与模仿学习通过仿真环境训练策略再部署到真实机器人上验证迁移效果。教育课程设计用于高校机器人原理课程、嵌入式课程、AI 实践课程的教学项目。3.3 不适合 Nori A3 的使用场景高精度工业装配低价舵机的重复定位精度有限无法胜任精密操作。重物搬运负载能力很小搬动一瓶水都可能吃力。连续高负载运行长时间高负载工作会导致电机过热、寿命下降。复杂双足动态行走如果产品设计是轮式或半人形双足能力就不是它的卖点。对于这些需求更建议使用工业机械臂或更高端的人形机器人。认清设备边界才能避免“买了之后发现啥都干不了”的落差。4. 开发者拿到 Nori A3 后如何开始第一步这一部分我们假设你手上已经有一台 Nori A3或者你准备购买从零开始搭建开发环境。不同批次的产品可能在接口细节上有差异但流程大同小异。4.1 环境准备在开始之前你需要准备以下工具链一台运行 Ubuntu 20.04/22.04 或更高版本的电脑推荐使用 Ubuntu因为 ROS 生态最完善。安装 ROS2具体发行版以官方 SDK 要求为准一般支持 Humble 或更新版本。安装 Python 3.8。准备 USB 数据线或 Wi-Fi 连接模块用于与机器人通信。确认机器人电池电量充足并连接充电器。如果你不想污染主系统的 Python 和 ROS 环境建议使用 Docker 或者虚拟机。但注意USB 串口设备需要在宿主机中映射进容器。4.2 基础通信验证先通过串口或 Wi-Fi 连接机器人确认系统能检测到设备。在 Linux 下连接 USB 串口后执行ls /dev/ttyUSB*如果出现/dev/ttyUSB0或/dev/ttyACM0说明设备已识别。如果无法识别可能缺少串口权限执行sudo chmod 666 /dev/ttyUSB0但临时修改权限并不优雅。更推荐把当前用户加入 dialout 组sudo usermod -aG dialout $USER然后重新登录让组权限生效。4.3 安装 ROS2 基础组件不同发行版安装命令差异不大以 Ubuntu 22.04 ROS2 Humble 为例sudo apt update sudo apt install ros-humble-ros-base source /opt/ros/humble/setup.bash如果你使用的不是 Humble把命令中的humble换成实际发行版名称例如jazzy、iron。安装完成后可以用一个简单话题测试 ROS2 是否正常ros2 topic list如果看到/rosout说明 ROS2 的 Daemon 运行正常。4.4 创建 ROS2 工作空间接下来创建你自己用于 Nori A3 开发的工作空间mkdir -p ~/nori_ws/src cd ~/nori_ws colcon build source install/setup.bashcolcon build如果提示找不到命令需要先安装sudo apt install python3-colcon-common-extensions到这里基础开发环境就已经就绪。5. 完整示例让 Nori A3 识别并跟随一个红色小球为了避免只讲概念下面给出一个可以运行的实战案例。任务目标是Nori A3 通过摄像头识别红色小球并控制头部或底盘转向小球所在方向。这个例子覆盖了图像处理、ROS2 通信、运动控制三个核心环节。5.1 整体流程整体流程可以拆解为启动摄像头驱动节点发布图像话题。运行颜色识别节点从图像中提取红色小球位置。运行运动控制节点根据小球坐标控制机器人转头或转向。验证输出结果。注意不同机器人的摄像头话题名称和运动控制服务接口可能不同下面的代码基于 ROS2 通用接口编写你需要根据 Nori A3 官方 SDK 调整话题名和服务名。5.2 摄像头节点如果机器人自带摄像头驱动直接启动厂商提供的 launch 文件即可。如果没有可以使用 USB 摄像头 usb_cam驱动sudo apt install ros-humble-usb-cam ros2 run usb_cam usb_cam_node_exe --ros-args -p video_device:/dev/video0启动后用下面的命令确认图像话题存在ros2 topic list | grep image正常情况下你会看到类似/image_raw的话题。5.3 红色小球识别节点我们使用 Python OpenCV 编写订阅图像话题、输出小球像素坐标的节点。文件路径~/nori_ws/src/nori_demo/nori_demo/red_ball_detector.pyimport rclpy from rclpy.node import Node from sensor_msgs.msg import Image from cv_bridge import CvBridge import cv2 import numpy as np class RedBallDetector(Node): def __init__(self): super().__init__(red_ball_detector) self.sub self.create_subscription( Image, /image_raw, self.image_callback, 10) self.pub self.create_publisher( Image, /detected_image, 10) self.bridge CvBridge() self.get_logger().info(Red ball detector started) def image_callback(self, msg): try: frame self.bridge.imgmsg_to_cv2(msg, bgr8) except Exception as e: self.get_logger().warn(fConvert failed: {e}) return hsv cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # 红色在HSV中有两个区间需要合并 lower_red1 np.array([0, 100, 100]) upper_red1 np.array([10, 255, 255]) lower_red2 np.array([160, 100, 100]) upper_red2 np.array([179, 255, 255]) mask1 cv2.inRange(hsv, lower_red1, upper_red1) mask2 cv2.inRange(hsv, lower_red2, upper_red2) mask cv2.bitwise_or(mask1, mask2) mask cv2.erode(mask, None, iterations2) mask cv2.dilate(mask, None, iterations2) contours, _ cv2.findContours( mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if contours: largest_contour max(contours, keycv2.contourArea) if cv2.contourArea(largest_contour) 200: x, y, w, h cv2.boundingRect(largest_contour) center_x int(x w / 2) center_y int(y h / 2) cv2.circle(frame, (center_x, center_y), 5, (0, 255, 0), -1) cv2.rectangle(frame, (x, y), (x w, y h), (0, 255, 0), 2) self.get_logger().info( fBall center: ({center_x}, {center_y})) # 把检测结果发布到可视化话题 detected_msg self.bridge.cv2_to_imgmsg(frame, bgr8) self.pub.publish(detected_msg) else: self.get_logger().info(No red ball found) def main(argsNone): rclpy.init(argsargs) node RedBallDetector() rclpy.spin(node) node.destroy_node() rclpy.shutdown() if __name__ __main__: main()这段代码做了三件事将 ROS2 图像消息转换为 OpenCV 的BGR格式。在 HSV 色彩空间创建红色掩码。找到最大轮廓并计算中心点同时可视化输出。如果你的摄像头画面颜色偏暗或偏亮可能需要调整 HSV 阈值范围。然后在setup.py中添加入口entry_points{ console_scripts: [ red_ball_detector nori_demo.red_ball_detector:main, ], },重新编译cd ~/nori_ws colcon build source install/setup.bash运行检测节点ros2 run nori_demo red_ball_detector5.4 运动控制节点让机器人看向小球识别到小球的坐标之后需要把它转换为机器人的转动指令。我们假设 Nori A3 提供一个名为/nori/head_control的服务服务类型为std_srvs/srv/SetBool或自定义类型。这里为了让示例通用我们直接订阅小球中心坐标话题并使用 ROS2 的参数接口控制机器人头部偏转。更简单的方式是在检测节点中直接根据center_x与图像中心点的偏移发布一个发布者到/cmd_angle话题。下面用一个精简版节点完成文件路径~/nori_ws/src/nori_demo/nori_demo/head_follow.pyimport rclpy from rclpy.node import Node from std_msgs.msg import Float32 class HeadFollow(Node): def __init__(self): super().__init__(head_follow) self.sub self.create_subscription( Float32, /ball_offset_x, # 归一化偏移例如 -1 到 1 self.offset_callback, 10) self.pub self.create_publisher( Float32, /nori/head_yaw, 10) self.kp 1.0 # 比例系数可根据实际调试 def offset_callback(self, msg): angle self.kp * msg.data # 对角度做限幅避免超出舵机行程 angle max(-1.0, min(1.0, angle)) self.pub.publish(Float32(dataangle)) self.get_logger().info(fSet head yaw to {angle:.2f}) def main(argsNone): rclpy.init(argsargs) node HeadFollow() rclpy.spin(node) node.destroy_node() rclpy.shutdown() if __name__ __main__: main()同时在red_ball_detector.py中增加一个发布者将center_x转换为归一化偏移from std_msgs.msg import Float32 # 在 __init__ 中 self.offset_pub self.create_publisher(Float32, /ball_offset_x, 10) # 在找到小球时 frame_center_x frame.shape[1] / 2 offset (center_x - frame_center_x) / frame_center_x self.offset_pub.publish(Float32(dataoffset))这里使用比例控制P 控制完成最基础的追踪逻辑。实际项目中你还会加入微分项和积分项甚至使用 PID 库进行平滑控制。5.5 启动联合运行打开几个终端分别启动# 终端1摄像头 ros2 run usb_cam usb_cam_node_exe --ros-args -p video_device:/dev/video0 # 终端2检测节点 ros2 run nori_demo red_ball_detector # 终端3跟随节点 ros2 run nori_demo head_follow当红色小球出现在摄像头视野中时终端2会输出小球中心坐标终端3会输出期望的头部偏转角度。如果一切正常Nori A3 的头部会朝小球的方向转动。6. 运行结果与效果验证代码跑起来之后还需要验证它是不是真的符合预期。6.1 预期输出在终端2中你应该看到类似下面的日志[INFO] Ball center: (320, 240) [INFO] Ball center: (300, 250) [INFO] Ball center: (280, 260)在终端3中[INFO] Set head yaw to 0.10 [INFO] Set head yaw to 0.20 [INFO] Set head yaw to 0.30如果能看到输出但机器人不动原因通常是话题名称不匹配。通过ros2 topic list检查实际话题名称再修改代码中的订阅发布主题。6.2 如何判断任务是否成功判断“跟随红色小球”任务成功可以从三个层面观察图像层面打开可视化话题/detected_image能看到绿色的矩形框准确包裹小球。控制层面头部偏转角度与小球偏移方向一致小球偏左头部向左转。运动平稳性机器人转动过程没有明显抖动和异响。查看可视化图像可以用 ROS2 自带的 rqtros2 run rqt_image_view rqt_image_view选择/detected_image话题即可实时查看检测结果。6.3 失败时先看哪里如果任务不成功不要急着改代码先按顺序检查摄像头是否正常出图在终端执行ros2 topic hz /image_raw如果频率为 0说明摄像头发布失败。色彩阈值是否适合当前环境换一个光照环境红色区域可能无法检出。运动控制话题是否正确ros2 topic info /nori/head_yaw查看发布者和订阅者数量如果订阅者为 0说明机器人端没有监听这个话题。电量是否充足低电量时舵机响应会变慢甚至不响应。7. 常见问题与排查思路结合类人机器人开发的普遍经验以下问题出现频率最高问题现象可能原因排查方式解决方案摄像头无法打开设备节点被占用或权限不足执行ls /dev/video*查看是否占用查看ros2 topic hz是否正常关闭占用摄像头的应用执行sudo usermod -aG video $USER切换 USB 端口舵机不响应供电不足、话题名错误、控制频率异常检查电池电压ros2 topic info查看通信是否正常测试单关节控制命令充电后重试将控制话题与官方 SDK 对齐降低发送频率增加延时红色小球检测不到光照条件差、HSV 阈值不合适、小球太小保存一帧图像查看调节红色 HSV 范围打印轮廓面积阈值调大阈值范围增强场景光照降低min_area到 100 或更小运行colcon build报错缺少依赖包查看错误日志中的 missing package安装对应 ROS2 依赖包Wi-Fi 连接不稳定信号弱、路由器 5G/2.4G 兼容问题用ping测试延迟查看机器人端 Wi-Fi 信号尽量使用 2.4G 频段或专用 AP缩短通信距离电池续航短同时运行摄像头和多个节点耗电大检查电池容量和电流使用外接电源实验降低 CPU 频率关闭可视化节点每条问题都不是空话。比如“舵机不响应”最容易被忽略的原因是供电不足。一台机器人的多个舵机同时动作时瞬时电流会突然增大如果电池放电能力不够主控可能复位或舵机直接不动。所以开发时不要满电和亏电状态对比续航表现差异会很大。8. 最佳实践与工程建议经过前面这些流程你应该已经能跑通一个简单的视觉跟随任务。但如果想把 Nori A3 应用到更复杂的研究项目或个人产品中下面这些工程实践值得提前考虑。8.1 永远先在仿真环境里验证算法类人机器人实体调试成本仍然存在。就算价格只有 1688 美元碰撞、跌落、舵机堵转都可能损坏硬件。建议在对运动控制不熟悉时先在 Gazebo 或 MuJoCo 中建模仿真。以 Gazebo 为例基础流程是导入 Nori A3 的 URDF 模型可从官方 GitHub 获取。编写 launch 文件启动机器人模型和仿真环境。在仿真环境中发布同样的/cmd_angle话题验证控制逻辑。算法稳定后再部署到实体机器人。仿真与实体最大的差异在于物理参数比如摩擦系数、舵机延迟。但至少可以帮你避免写出“直接把头部转到极限位置”这类危险代码。8.2 使用日志和回放辅助调试复杂机器人任务很难一次成功。建议在代码中记录足够详细的日志包括话题频率、电机状态、图像处理耗时、错误堆栈等。采集数据时可以录制 ROS2 bagros2 bag record -a -o follow_ball_bag录制完成后在离线环境下回放ros2 bag play follow_ball_bag这样即使实体机器人不在身边你也能反复分析当时的传感器数据和话题发布情况定位问题比凭空看代码高效很多。8.3 给机器人设置物理安全边界无论机器人看起来多小巧它内部都有电机和齿轮夹到手指也可能受伤。在代码层面一定要加入保护逻辑对舵机角度做限幅禁止让关节超过机械行程。对速度做限制防止高速运动失控。设置急停按钮或者远程急停话题在出现异常时立即切断动力。例如在发布头部角度时不要直接用未经处理的偏移量if angle 0.5: angle 0.5 elif angle -0.5: angle -0.5这是最基础但最重要的安全保护。8.4 建立版本管理习惯机器人项目通常包含多个部分嵌入式固件、ROS2 节点、Python 脚本、模型文件、配置文件。建议使用 Git 管理全部内容并在提交信息中记录硬件改动和参数调整。每当修改一个 HSV 阈值或者 PID 参数都打一个 tag例如red_detector_v1.2_hsv_bright_room。这样当你发现新环境调参失败时可以快速回退到曾经有效的参数组合。8.5 关注官方 SDK 更新与社区生态低价机器人产品迭代很快官方 SDK 可能频繁更新。建议定期查看官方 GitHub 仓库的 Release 记录。不要在旧版本 SDK 上投入太多定制避免升级时成本过高。多参与社区讨论很多踩坑经验是文档里没有的。对于学习型项目跟随社区主流版本是一个明智策略。如果你自己 fork 了 SDK尽量把改动控制在独立层减少与上游的冲突。9. 类人机器人的未来发展方向与技术栈选择Nori A3 发布之后类人机器人的开发会走向两条明显分支一条是工业场景的高性能人形机器人追求负载、精度、稳定性另一条是桌面级/教育级类人机器人追求便宜、开放、易用。Nori A3 显然站在后一条分支上。对于开发者来说现在正是积累类人机器人开发经验的好时机。即使你以后不直接使用 Nori A3它所涉及的 ROS2、OpenCV、运动控制、多模态交互等技术栈也是进入机器人和具身智能领域的基础。如果你想继续深入下面这些学习方向很有价值运动学与动力学正逆运动学是机器人控制的数学基础尤其在机械臂和双足控制中无法回避。SLAM 与导航让类人机器人在环境中自主移动需要掌握里程计、地图构建和路径规划。大模型驱动的机器人交互将视觉语言模型VLM和具身决策结合让机器人理解自然语言指令并执行任务。强化学习与 sim-to-real通过仿真训练控制策略再迁移到真实机器人这是解决复杂运动控制问题的主流思路。在选择硬件时建议遵循一条原则先明确任务再决定设备。如果你的目标只是学习 ROS2 和视觉识别那么 Nori A3 这种低价类人机器人足够用如果你的目标是做双臂协调精密装配那它就不合适应该直接选工业机械臂。最后提醒一点任何机器人带回家后第一件事不是跑代码而是读说明书了解关节行程、电池使用规范和急停开关位置。硬件设备不像纯软件项目操作不当修起来又贵又慢。把基础安全习惯做在前面后续开发会顺利很多。建议收藏这篇文章等真正入手 Nori A3 或同类设备后可以照着搭建环境、写示例、排查问题。如果后面 Nori Robotics 开源了更多 SDK 细节也可以基于本文的框架继续深化。