# 策略蒸馏

作者提出错峰参与（SP）这一协作多智能体强化学习设定：智能体在时间上错开的参与窗口内贡献同一目标，早期参与者留下的任务相关信息可供后期参与者使用；他们提出训练期增强方法 SPL，用前瞻性采集监督引导早期智能体采集有用信息，用结果监督的接收方学习训练后期智能体使用继承证据，在 60 项 MPE/RWARE 骨干对比中任务完成度全部更高，平均差 14.1%，并扩展到八智能体团队与 Isaac Lab 的 UAV–UGV 物理仿真。

作者提出错峰参与（SP）这一协作多智能体强化学习设定：智能体在时间上错开的参与窗口内贡献同一目标，早期参与者留下的任务相关信息可供后期参与者使用；他们提出训练期增强方法 SPL，用前瞻性采集监督引导早期智能体采集有用信息，用结果监督的接收方学习训练后期智能体使用继承证据，在 60 项 MPE/RWARE 骨干对比中任务完成度全部更高，平均差 14.1%，并扩展到八智能体团队与 Isaac Lab 的 UAV–UGV 物理仿真。

该工作指出标准流式教师在训练时独立配对噪声与回放目标，会让相邻噪声被路由到冲突的协调模式，从而在模式之间产生无效样本并经蒸馏损失传播给学生；为此提出 MoSDOT，将多模态回放归纳为带指定容量的有限模式支撑，并用条件半离散最优传输在教师训练前把每个噪声样本分配到单一模式，在受控诊断与离线 MARL 基准上改善了端点质量与路由一致性，并另设共享随机性变体以暴露严格乘积执行固有的残余差距。

该工作指出标准流式教师在训练时独立配对噪声与回放目标，会让相邻噪声被路由到冲突的协调模式，从而在模式之间产生无效样本并经蒸馏损失传播给学生；为此提出 MoSDOT，将多模态回放归纳为带指定容量的有限模式支撑，并用条件半离散最优传输在教师训练前把每个噪声样本分配到单一模式，在受控诊断与离线 MARL 基准上改善了端点质量与路由一致性，并另设共享随机性变体以暴露严格乘积执行固有的残余差距。