传统机器人训练方法常因数据差异和仿真到现实的鸿沟而受限。ZEST框架的出现，提供了一种全新的端到端训练范式，它能让机器人仅凭仿真训练，就实现零样本掌握高难度动态技能，甚至能将舞蹈、后空翻等动作跨形态迁移到不同机器人上，为通用运动控制领域带来了突破性进展。
智能速览
ZEST框架通过端到端训练，实现了机器人高难动作的零样本迁移。
采用不对称Actor-Critic结构，仅需本体感知即可高效学习。
引入辅助力矩课程，像“教练”一样帮助机器人掌握高动态任务。
创新的执行器建模，显著提升了仿真到现实的迁移保真度。
在真实测试中，已成功让Atlas和Spot机器人学会舞蹈与后空翻。
精华内容
ZEST框架的突破并非偶然，其核心在于多项创新技术的精妙结合。这些设计共同作用，有效克服了传统机器人学习中的诸多挑战，让复杂的运动控制变得前所未有的高效与精准。
高效学习
ZEST采用不对称Actor-Critic结构，革新了训练流程。Actor网络只需接收机器人自身的关节角度、IMU数据和下一个目标点信息，无需复杂的状态估计器，从根源上避免了累积误差问题。
而在训练阶段，Critic网络则利用仿真器提供的特权信息（如真实位置）来指导学习，大幅提升了效率。这种设计使得整个训练过程能在单阶段内完成，简洁且高效。
智能课程
为了让机器人掌握高难度动作，ZEST设计了智能化的课程。自适应采样机制会优先识别并反复训练那些机器人最不擅长的运动段落，实现精准补强。
更关键的是引入了虚拟辅助力矩（Assistive Wrench）。在学习初期，它如同一位无形的教练，施加外力帮助机器人稳定姿态、完成动作。随着策略逐渐成熟，这个辅助力会平滑地退火至零，确保机器人最终能完全自主地执行高动态任务。
执行器革新
仿真与现实的差距，很大程度上源于执行器建模不准。针对人形机器人复杂的并联执行器（PLA），ZEST提出了名义电枢模型。
该模型在保持高计算效率的同时，能够更精确地捕捉电机的非线性特性，如磁饱和效应和功率限制。这一创新显著提升了仿真环境的保真度，为策略成功迁移到现实世界中奠定了坚实基础，解决了sim-to-real的核心难题。
强大泛化
ZEST框架的威力在真实测试中得到了充分验证。在Atlas机器人上，它仅凭动捕数据就零样本学会了匍匐前进、地板舞等复杂多接触技能。
更进一步，它能直接从单目视频中捕捉动作，并成功迁移到Atlas和Unitree G1两种不同形态的人形机器人上。最令人惊叹的是其跨形态迁移能力：在Atlas上训练的策略，可直接用于Spot四足机器人，并完成连续后空翻等超高难度动作，全程仅需仿真训练。
ZEST框架以其极简设计和强大的泛化能力，为机器人通用运动控制领域树立了新的标杆。它证明了从异构数据到异构机器人的零样本技能迁移是可行的。这项技术将如何改变未来的机器人研发与应用，或许比我们想象的更快到来。
