Boston Dynamics+RAI 最新论文分享：ZEST

标题：ZEST: Zero-shot Embodied Skill Transfer forAthletic Robot Control


最近机器人圈子里最火的词大概就是“通用人形控制”了。大家都在卷，有人卷大模型端到端，有人卷复杂的 reward engineering。但就在前两天，波士顿动力（Boston Dynamics）和 RAI Institute 甩出了一篇新论文 ZEST (Zero-shot Embodied Skill Transfer)，直接把 Atlas、Unitree G1 和 Spot 狗拉出来溜了一圈，效果那是相当炸裂。

这篇 paper 最有意思的地方不是它“甚至能做后空翻”，而是它的极简主义美学。它告诉你：不需要复杂的 teacher-student 蒸馏，不需要昂贵的动捕棚，甚至不需要给机器人穿这一堆特制的传感器马甲，只要你有一段视频，或者一个粗糙的动画，我就能让机器人学会。

我也读完了这篇 20 来页的 paper，这就来扒一扒，他们到底做对了什么？

1. “喂饭”式教学：从视频到动作，居然不用中间商赚差价
以前我们要让机器人学跳舞，流程通常是这样的：找个动捕棚 -> 贴点 -> 录数据 -> 清洗数据 -> 针对这个动作调一套控制器 -> 祈祷它别摔。

ZEST 说：这也太麻烦了。

他们的逻辑非常简单粗暴：

• 数据源通吃：不管你是拿 Vicon 录的高精度动捕（MoCap），还是拿手机拍的抖抖霍霍的视频（ViCap），甚至是设计师手K的动画（Animation），统统都能吃。
• 拒绝“微操”：以前搞 RL（强化学习），最头疼的是设计 Reward。脚什么时候着地？手什么时候撑地？摩擦力多少？都要写进代码里。ZEST 直接把这些砍了——它不强制要求接触时序（Contact Schedule）。这意味着，机器人自己得去悟：“哦，原来这时候我该手撑地了，不然脸会痛。”
• 零样本（Zero-shot）：在仿真里练好，直接扔到真机上跑，不需要在真机上再微调。
  

结果就是，Atlas 在草地上做军人匍匐（Army Crawl），G1 这种小个子机器人能直接从视频里学会人类的芭蕾舞动作，Spot 狗甚至学会了连续后空翻。

2. 核心魔法：给机器人装个“隐形教练”
你可能会问，这种复杂的动作，直接端到端训练难道不会不收敛吗？机器人一上来肯定各种摔啊。

这里 ZEST 用了两个很聪明的 trick，我觉得是这篇 paper 的精华：

第一招： Assistive Wrench（上帝之手）
刚开始训练时，机器人肯定站都站不稳。ZEST 在仿真里给机器人加了一个虚拟的“外力”（Assistive Wrench）。这就好比练体操时，教练在旁边用手托着你的腰。

• 刚开始学，你很菜，教练托得用力一点，让你先感受动作的轨迹。
• 当你越来越熟练，教练的手就慢慢松开。
• 最后考试（部署）的时候，教练彻底消失，你得自己飞。
  

这个机制通过“难度自适应”来调节，如果这一段动作机器人老是摔，系统就会自动把“教练的手”伸出来帮一把。

第二招：Adaptive Sampling（哪壶不开提哪壶）
一段长动作里，走路可能很简单，但中间那个“托马斯全旋”很难。如果随机采样训练，机器人可能把走路练了 10000 遍，旋转只练了 100 遍。ZEST 搞了个“挂科补考”机制。它把动作切成很多小片段，实时监控每个片段的失败率。如果第 5 秒的那个动作老是摔，系统就会疯狂让机器人重练这一段。简单的地方就少练点。这就保证了整套动作没有短板。

3. 把“闭链结构”这块硬骨头啃下来了
这部分是给咱们搞控制的硬核玩家看的。

大家知道，Atlas 和 G1 这种机器人，腿部关节为了爆发力，很多是设计成 Parallel-Linkage（闭链四连杆） 结构的。这种结构在仿真里简直是噩梦，算起来巨慢，而且数值容易不稳定。

很多之前的 paper 为了省事，直接把它简化成普通单关节。但在做高动态动作（比如后空翻）时，这种简化的动力学误差会直接导致真机炸机。

ZEST 团队（毕竟有波士顿动力的老法师坐镇）做了一套非常漂亮的近似建模（Armature Approximation）。他们通过投影把复杂的闭链动力学映射成一个等效的“虚拟关节惯量”，既保留了动力学的真实性，又没怎么增加计算量。甚至他们还给关节 PD 控制器的参数选取提供了一套理论公式，不再是纯靠“炼丹师”凭手感调参。

4. 为什么我觉得这很重要？
看完这篇 paper，我最大的感受是：人形机器人的“ChatGPT 时刻”可能真的要来了，但不是在于大脑，而是在于小脑。

以前我们觉得让机器人做个后空翻是“特技”，需要几十个工程师调几个月。ZEST 告诉我们，只要数据管道（Pipeline）搭得好，任何一个只要符合物理规律的动作，不管是人类做的，还是动画片里画的，机器人都能在几个小时内“学会”并部署。

这意味着什么？意味着未来机器人的技能库扩展速度将不再受限于工程师的手速，而是取决于我们能给它喂多少视频。

哪怕视频里的人动作有点滑步、甚至遮挡了，ZEST 证明了只要 RL 的正则化（Regularization）做得好，机器人自己能脑补出合理的物理动作。

这，才是通往“具身智能”的一张靠谱门票。

---

最后留个彩蛋：Paper 里有个对比，他们拿波士顿动力自家的经典 MPC 控制器和 ZEST 对比。结果在那种复杂的、接触点乱七八糟的动作（比如街舞）上，传统的 MPC 直接算崩了，而 ZEST 依然稳如老狗。

看来，哪怕是波士顿动力自己，也在革自己的命啊。

哇塞很棒哎，参加新春活动请在博客板块下选择“新春开源计划”发布文章哦

早睡 发表于 2026-2-12 15:15
哇塞很棒哎，参加新春活动请在博客板块下选择“新春开源计划”发布文章哦 ...

好，那我这个不算了是吗