像人换了一副身体再做后空翻，原来的发力方式未必还能用。机器人也一样：关节、比例和接触方式一变，动作就不能照抄。Science Robotics 收录的 ZEST，关注的正是如何让高动态运动适配不同机器人，并从模拟器直接部署到真机。
据 arXiv 论文，ZEST 从动作捕捉、单目视频和关键帧动画中学习参考动作，再用强化学习——让机器人靠反复试错获得控制策略。训练还会随机改变摩擦、质量、传感器噪声和外力冲击，以缩小模拟与现实的差距。作者在 Atlas、Unitree G1 和 Spot 上展示了匍匐、霹雳舞、爬箱及连续后空翻等动作。
这里的“零样本”是指模拟训练后不再针对真机微调，并不等于一套万能策略装进所有机器人。论文称，每项实体演示都使用为目标技能单独训练的策略，每个策略约用一块 NVIDIA L4 GPU 训练 10 小时。它证明的是训练流程能跨身体复用，而非同一个控制器无缝换身体。