SLMP：把「动作潜空间」压到一个球面上，怎么采样都不摔

Jing Tan, Weisheng Xu, Xiangrui Jiang 等（香港科技大学广州 + 牛津）。arXiv:2603.01294（2026-03）。项目页 · motion priorhumanoid controllatent space 线索

🧠 一句话心智模型：教一个物理仿真小人打架，传统方法是先做一个「动作先验」当作低层策略库——可 VAE 会丢细节、AMP 会模式塌缩。
SLMP 的做法是：把所有可能的动作都映射到一个单位球面上，用「球面距离 + 判别器语义」做双约束，只要在这个球上随便采一个点，都能得到合理动作。然后高层策略只需在球面上选点，不用直接管数十个关节。

🎯 为什么重要：动作先验的「两难」终结者

控制高自由度人形机器人（或仿真角色）的一个核心难题是：动作空间太高维，直接 RL 学不会。解决思路是给策略套一个「动作先验」——把合法动作压缩到一个低维 latent 空间，RL 只在 latent 空间里学。但两条主流路线都有硬伤：

图 1：三类动作先验的根本区别。SLMP 不靠「重建」也不靠「对抗 logits」，而是把 latent 限定在球面上并用判别器引导局部一致性。

核心洞察：VAE 用 Gaussian bottleneck 鼓励「单峰」，但人形动作天然多模态（同一姿势下可以打出勾拳/直拳/侧踢）；AMP 用判别器 logits 反传给策略，但 logits 不含关节级细节梯度。SLMP 想要「既不丢细节，又能稳定采样」——这是两难，它的解法是换个 latent 几何。

💡 核心思想：单位球面 latent + 三损失塑造流形

SLMP 是两阶段方法。第一阶段：用传统方法训一个超强的 motion tracking 控制器 $\pi_{\text{track}}$（基于 PPO + goal-conditioned RL），它能在物理仿真里精准复现 mocap 参考——但它需要一个明确的「目标动作」作为输入，不能直接被高层调用。

第二阶段：把 $\pi_{\text{track}}$ 蒸馏到一个「latent-conditioned 先验策略」$\pi_\phi(s, z)$，其中 $z$ 是单位球面 $S^{d-1}$ 上的一个点。蒸馏用三个损失一起塑造球面结构：

图 2：SLMP 球面塑造。真实 latent z₁ 由编码器产生；随机 latent z₂ 在球上随机采。三个损失让整个球面被语义「填满」——任意一点都能解码出合理动作。

$$ \mathcal{L}_{\text{SLMP}} = \lambda_{\text{distill}} \underbrace{\|a^{t_1} - a^*_t\|^2}_{\text{蒸馏}} + \lambda_{\text{DLSC}} \underbrace{w_d \cdot w_c \cdot \|a^{t_2} - a^*_t\|^2}_{\mathcal{L}_{\text{DLSC}}} $$

其中几何权重 $w_d = e^{-\beta d_{12}}$（球面越近权重越高，鼓励局部平滑）；语义权重 $w_c = 1 + \min(0, D(s_t, a^{t_2}))$（判别器分越低、越「不像专家」的点，受到越强的约束——把球面上的「空白区」填满）。

🛠️ 关键设计：先训几何，再加语义

设计	做法	为什么必要
① 蒸馏而非重建	不用 encoder–decoder 重建动作，直接让 $\pi_\phi$ 模仿 $\pi_{\text{track}}$ 的关节输出	绕开 VAE 的信息瓶颈——细节不丢，MPJPE 和专家几乎一致（31.7 vs 31.2）
② 单位球面约束	所有 latent 强制 $\\|z\\|_2 = 1$，用 $\epsilon / \\|\epsilon\\|_2$ 采样	消除 VAE 高斯 prior 在尾部「无信号」的病；球面是紧致无边界的，每一点都能被训练信号覆盖
③ 两阶段训练	先用 $w_d$（几何）训到收敛，再加入 $w_c$（判别器语义）联合训	纯判别器信号太噪会破坏几何结构；先有几何再叠语义更稳
④ 状态条件球面	同一 $s_t$ 下，球面被聚类染色，揭示「这个状态有多少合法续作」	站立时球面=多色多模式（可踢可打可躲）；空中飞踢时球面=1-2 色（只能落地）——结构是动态自适应的

🔮 直觉：为什么「球面」比「高斯」更对？
高斯 latent 的概率密度集中在原点附近，越往尾部密度越低、训练信号越稀。所以「球外圈」永远没被训过，随机采样落到那里就崩。
球面是紧致的——所有点到原点等距，没有「尾部」。只要你把整个球面用 DLSC 填满语义结构，任意采样都落在已训区域。换几何 = 换命运。

📊 关键结果：99.8% 随机采样存活率

基于自采的 2 小时战斗 mocap 数据集（Xsens MVN Link，180Hz；502 段约 14 秒片段，30Hz 下采样），在 Isaac Gym 评测。

评测维度	数字	对照
潜空间跟踪 Success（信息保留）	100.0%	PULSE 99.2%；Expert 上界 100.0%
潜空间 MPJPE（关节误差，越低越好）	31.7	Expert 上界 31.2；PULSE 约 41.1（信息瓶颈导致误差更大）
随机采样 10s 存活率（1000 次试验）	99.8%	VAE 10.2%，VQ-VAE 12.4%，球面无 DLSC 0.1%，ASE/PULSE 长程崩
30s 长程存活率	95.4%	PULSE 90.1%（论文 Fig.5，差距随时间拉大）
双人对战：稀疏规则奖励	多样、人类-like 击打/闪避/步法	NCP 稠密奖励 → 退化（贴贴不打的「僵持」）；Smplolympics → 重复出拳
跨本体	同一管线可迁移到真实仿真人形机器人	见 Appendix A（PM01 等真实机器人形态）

关键洞察：传统双人对战 RL 需要稠密 reward shaping（朝向、距离、速度、接触奖励…）。SLMP 让你只用「击中 + 击倒」两条稀疏规则就能训出多样战术——因为它已经把「什么是合法格斗动作」烧进了先验里。这就是「先验替代奖励工程」的力量。

🌐 在领域中的位置

DeepMimic（单 clip RL 跟踪）→ PHC / PHC+ / UHC（大规模通用跟踪控制器）→ ASE / CALM（对抗 latent 先验） · PULSE（VAE latent）→ SLMP（球面蒸馏先验）⭐→ 高层 RL / 自博弈只在球面上决策

SLMP 属于「motion prior 谱系」的最新一环，介于 AMP（对抗）和 ASE（latent 对抗）与 CALM（条件 latent）之间，把球面几何 + 蒸馏带进了这个分支。它和 DeepMimic（源头）一起，构成了「物理仿真人形动作控制」从「跟一个 clip」到「在 latent 球上自由组合」的演进主轴。

❓ 常见误区

球面 latent 听起来很怪，为什么不用高斯、不用 VQ-VAE？

作者都做了对照（论文 Table 1）。VAE/VQ-VAE 跟踪 success 也能到 99%+，但随机采样 10s 存活只有 10-12%——它们都靠「重建」学，没训练过的 latent 区域解码就崩。球面 + DLSC 把存活率拉到 99.8%。

DLSC 损失里的 $w_c$ 不就是个判别器项吗，和 AMP 有啥区别？

AMP 把判别器 logits 当 reward 反传给策略，梯度粗。SLMP 的 $w_c$ 是权重，不是 reward——它控制「这个随机点要被多强地拉向专家动作」，配合 MSE 损失给出关节级精细梯度。判别器在 SLMP 里只负责「指认哪些区域是空白」，不负责教动作。

2 小时 mocap 数据是不是太少？

这是论文的诚实之处——专攻「战斗」这一个高动态技能域，所以数据自采。作者明确说未来工作要扩到 AMASS 级（几十小时）的多领域数据集，验证 SLMP 的 scale 能力。

「双人对战」和机器人控制有啥关系？

它是一个高层决策 testbed。证明 SLMP 作为低层先验时，高层只需在 latent 球上学「什么时候出什么招」，不用管数十个关节怎么动。这个范式直接迁移到真实人形机器人：高层=任务策略，低层=SLMP 动作先验。