开源AI桌面机器人：笔记本+安卓+Pico打造

一个名为 PAL9000 的开源桌面机器人项目，用笔记本电脑、安卓手机和 Raspberry Pi Pico 拼出了一台能看、能听、能说、会转头追人的“桌面伙伴”。作者在 Reddit 上分享了完整架构，并抛出了几个让机器人更“像活的”的开放问题。

三块硬件各司其职

据 Reddit 原帖描述，这台机器人的核心思路是复用你手边已有的算力设备：

• Raspberry Pi Pico W：直接驱动 2 自由度云台上的两个舵机，接收串口传来的角度值，并运行 EMA 平滑，避免动作生硬。
• MacBook：负责视觉与对话两条重负载流水线。用 MediaPipe 加上贴在人身上的 AprilTag 标记，从摄像头画面里判断人的位置，并在佩戴特定标签的人之间切换注意力；再把 2D 坐标通过标定脚本生成的两个 LOBF（线性拟合）换算成云台角度，经串口下发给 Pico。
• Android 手机：充当机器人的“脸”，屏幕上跑一个动画面孔，瞳孔会跟随人脸移动。

对话部分同样跑在笔记本上：silero-VAD 做语音活动检测，whisper-cpp 转写，llama-cpp 本地推理 gemma4:12b Q4 量化模型。整套链路不依赖云端大模型，隐私和延迟都是自己可控的。

AprilTag 是一种由密歇根大学 APRIL 实验室开发的视觉基准标记系统，外观类似二维码，但专为快速、鲁棒的位姿估计而设计。每个标签有唯一 ID，摄像头识别出标签后，可以计算出标签相对于相机的三维位置和姿态。在本项目中，作者将不同 AprilTag 贴在不同人身上，MacBook 上的 MediaPipe 检测到人脸后，通过识别附近的 AprilTag ID 来区分“这是谁”，从而实现注意力在不同佩戴者之间的切换。相比人脸识别，AprilTag 方案无需训练模型、不受光照和角度影响，计算量极小，非常适合个人机器人项目。

LOBF（线性拟合） 在此处指通过标定脚本得到的两个线性映射函数：一个将画面中的水平像素坐标映射为云台的水平舵机角度，另一个将垂直像素坐标映射为俯仰角度。由于摄像头与云台存在安装偏移和镜头畸变，直接用几何公式换算会有误差，作者通过采集若干组“像素坐标-实际角度”样本，拟合出直线方程，从而在运行时快速将 2D 检测框中心转换为舵机指令。这种方法简单有效，但精度受标定质量和视野范围限制。

模块化是最大的亮点

作者自己调侃“模块化是‘到处都是’的委婉说法”，但这恰恰降低了其他人的复现门槛。你可以只跑浏览器里的脸和眼动追踪，只跑对话服务器（音频输出需要小改），或者只跑机器人控制程序让它转头盯着你。对于想入门机器人又不想一次性啃完整套系统的人来说，这种可拆分的架构比一个 monolithic 的成品更有学习价值。

silero-VAD 是一个轻量级的语音活动检测（Voice Activity Detection）模型，用于判断音频流中哪些片段包含人声。它基于神经网络，但模型极小（约 1MB），可在 CPU 上实时运行，常被用于语音助手的前端，以减少无效的语音转写和推理开销。在本项目中，silero-VAD 持续监听麦克风输入，一旦检测到用户开始说话，就触发 whisper-cpp 进行转写；说完后自动截断，避免将静音或噪声送入后续流程。这种“先检测后转写”的流水线能显著降低延迟和算力占用。

whisper-cpp 是 OpenAI Whisper 语音识别模型的 C++ 移植版，支持在本地 CPU 上运行，无需 GPU 或云端 API。它保留了 Whisper 的多语言识别能力，同时通过量化技术压缩模型体积，使得在普通笔记本电脑上实时转写成为可能。作者选用 whisper-cpp 而非云端语音服务，是为了保证隐私和离线可用性，这与整个项目“数据不出本地”的设计理念一致。

拟人化：项目里最有趣的部分

作者明确表示，他特别感兴趣的是“让机器人拟人化”。他公开征集两类想法：屏幕上的动画，以及舵机层面的物理动作，让机器人显得更有生命感。他也在纠结一个具体问题——2 自由度够不够撑起这种生命感，还是该再加一个舵机？

这个问题的答案取决于你想表达什么。2DOF 的云台能做出注视、点头、歪头这类基本社交线索，但缺少“耸肩”“缩脖子”这类需要额外轴的动作。如果目标只是“它在看我”，2DOF 够用；如果想传达情绪状态，第三轴会显著扩展表达空间。原帖没有给出结论，这本身就是一个值得社区讨论的设计取舍。

2 自由度（2DOF）云台 指仅能绕两个轴旋转的机械结构，通常为水平（偏航）和垂直（俯仰）。它可以让摄像头或屏幕朝向任意方向，但无法实现倾斜（翻滚）动作。在社交机器人中，2DOF 足以完成“注视”“点头”“歪头”等基本非语言线索，因为这些动作主要依赖偏航和俯仰的组合。然而，像“耸肩”“缩脖子”这类涉及身体姿态变化的动作，需要额外的自由度（如翻滚轴或平移轴）才能表达。作者纠结是否增加第三个舵机，本质是在权衡表达力与机械复杂度：第三轴能显著扩展情绪表达空间，但也会增加布线、供电和控制难度。

工程细节上的真实困境

作者坦言布线“有点乱”，希望做一个外壳把东西整理整齐，并向社区请教收纳技巧。他还考虑过做定制 PCB，但觉得以自己目前的机器人经验来说为时过早，反问“还是应该直接跳进深水区？”

这类问题在个人机器人项目里非常典型：功能跑通之后，机械结构和电气整合往往才是真正拖时间的部分。对后来者来说，先做外壳、后做 PCB 是更稳妥的路径，因为外壳定型之后，板子的尺寸和接口位置才有依据。

从学校作业到开源项目

这个项目最初只是一个学校作业，作者承认自己“有点做过头了”。整个项目开源且强调“non-vibecoded”（不是靠 AI 随口生成堆出来的），代码托管在 GitHub（SpaceMonkeyAlfa/PAL9000-Desktop-Robot），开发过程记录在个人博客 spacemonkeyalfa.com。作者欢迎 fork 和任意用途的使用。

对想动手的人来说，这个项目最有价值的不是某一项技术，而是它示范了一条低成本路径：用已有的笔记本跑视觉和 LLM，用手机当显示屏，用微控制器管实时动作。三块设备各做擅长的事，比强行塞进一个算力盒子更现实。

如果你手边正好有一台闲置安卓机和一块 Pico，这个项目值得拆开看看。