MAPO：交替策略优化专家混合用于通用人形动作跟踪

论文提出 MAPO（Mixture of Experts with Alternating Policy Optimization），用于通用人形机器人动作跟踪。作者指出，MoE 策略因动态路由，在策略梯度更新时可能错误估计新旧策略散度，而多数策略梯度算法依赖该散度约束更新，偏差会导致更新过于保守或过大，得到次优策略。MAPO 交替优化路由器与专家以避免该误估。实验显示，MAPO 能持续跟踪 182 个 PPO with MoE 无法跟踪的动作，而 PPO with MoE 仅跟踪 1 个 MAPO 无法跟踪的动作；在对比方法中 MAPO 跟踪成功率最高，多数误差指标下跟踪误差最低。