知识偏移用于高效形态控制与策略迁移
机器学习
2025-12-11 v1
摘要
通用形态控制旨在学习一种能在异构智能体形态之间普遍适用的策略，Transformer based 控制器因其流行度日益增长。然而，这类架构造成巨大的计算成本，导致部署开销高昂，且现有方法在跨任务泛化方面有限， necessitating 为每个新任务从头训练。为此，我们提出了 DivMorph—a 一种模块化训练范式，通过知识偏移学习可分解的控制器。DivMorph 通过 SVD 先验将随机初始化的 Transformer 权重分解为因子单元，并利用动态软门控根据任务和形态嵌入来调节这些单元，将其分为共享的"learngenes"和形态/任务特定的"tailors"，从而实现知识解�合。通过选择性激活相关组件，DivMorph 实现了可扩展且高效的策略部署，同时支持对新任务的有效策略迁移。广泛实验表明，DivMorph 实现了最先进的性能，在跨任务迁移中相较于直接微调提升了 3 倍的样本效率，单智能体部署时模型规模缩减了 17 倍。
引用
@article{arxiv.2512.09796,
title = {Knowledge Diversion for Efficient Morphology Control and Policy Transfer},
author = {Fu Feng and Ruixiao Shi and Yucheng Xie and Jianlu Shen and Jing Wang and Xin Geng},
journal= {arXiv preprint arXiv:2512.09796},
year = {2025}
}