Multi-AMP: 多重对抗动作先验学习高级技能

AMP 的进阶版:用多个判别器分别建模不同风格(站立/行走/坐下等),让机器人按指令精确切换风格,并安全完成'坐下'这种传统 RL 难调参的高风险动作。

问题#

AMP 的单一性限制：原版 AMP 通常一次只学一种风格。如果你把“走路”和“站立”的数据混在一起给它，它可能会学出一个不伦不类的混合动作，或者无法根据指令精确切换风格。
“坐下”动作极难调参：让机器人从站立状态“坐下”非常危险。如果用传统 RL（人工设计奖励），机器人往往会直接“砸”在地上，导致膝盖电机过载损坏。
技能遗忘：按照顺序一个接一个地学技能，机器人容易学了新的忘了旧的（灾难性遗忘）。

Multi-AMP 的核心逻辑是：给 AMP 加上一个“多路开关”。

输入端 (Agent): 机器人的大脑（Policy）。它接收的输入不仅仅是状态 $s_t$ ，还多了一个指令 $c_t$ 。
- 关键创新：这个 $c_t$ 里包含了一个 One-hot 向量 $c_s$ (Style Selector)。
- 例子： 如果有3个风格（走、蹲、站）， $c_s$ 就是 [1, 0, 0] 或 [0, 1, 0]。这告诉 Policy：“现在你要模仿第几个老师”。
中间处理 (Discriminators): 系统里不再是一个判别器，而是 $N$ 个判别器 ( $D^0, D^1, ...$ ) 。
- 每个判别器负责一种风格（比如 $D^0$ 只看过“走路”的数据， $D^1$ 只看过“蹲下”的数据）。
- 只有被 $c_s$ 选中的那个判别器会被激活，其他的暂时休眠。
输出端 (Reward):
- 被激活的判别器打分，生成风格奖励 $r^{style}$ 。
- 环境根据任务完成度（如速度），生成任务奖励 $r^{task}$ 。
- 两者相加 $r_t = r^{task} + r^{style}$ ，指导机器人更新策略。

这是一个非常敏锐的问题。按照 AMP 的逻辑，确实应该是“给个视频就能学会”。但在轮足机器人（Wheeled-legged robot）这个特定场景下，情况变得复杂了。

膝盖受不了 (Hardware Safety): 论文中明确提到，如果只用任务奖励（告诉机器人“把屁股放低”），机器人学会的策略往往是“直接向前摔倒”。
- 这种动作会导致膝盖关节承受巨大的冲击力（High impulses）。
- 这种冲击力会超过机器人的安全扭矩阈值 (Safety torque threshold)，导致硬件损坏。
受控的“失稳”： “坐下”本质上是一个重心后移并下降的过程。对于高重心的轮足机器人，这很容易变成不可控的向后翻倒。要做到“温柔地”坐下，需要极高的控制精度。

理论上如果有完美的坐下视频是可以的，但现实中有两个障碍：

数据获取困难 (Chicken-and-Egg Problem):
- 去哪里找这个“完美的坐下视频”？
- 如果让操作员遥控机器人录制，操作员也很难控制得那么完美、温柔。
- 如果用这一台机器人去模仿其他不同结构的机器人（如真狗）的坐下，可能会因为身体结构差异（轮子 vs 脚）导致物理不可行。
安全性与可行性：
- 即使有视频，如果视频里的动作稍微快了一点，机器人模仿时产生的动量（Momentum）可能就会导致撞击地面。

作者没有去录“坐下”的视频，而是录了“站起来”的视频，然后倒放给 AMP 看。

为什么“倒放”是完美的解决方案？
- 初始速度为 0：“站起来”动作的开始时刻（趴在地上），速度是 0。
- 倒放后的终止速度为0：当你把“站起来”倒放，它就变成了“坐下”。最妙的是，这个倒放动作的结尾（屁股着地那一刻）速度正好是 0 。
- 物理含义：这意味着机器人学会的是一种“软着陆” (Soft Landing)。它会模仿视频，在接触地面前自动减速，把冲击力降到最低。

对比结果 (Figure 5):

总结： “坐下”难在硬件安全。AMP 虽然强大，但需要“好教材”。作者通过“倒放站立”创造了物理上最安全、最温柔的“完美教材”，从而让 Multi-AMP 轻松学会了这个高难度动作。