域随机化：让真实世界只是"策略见过的又一个变体"

域随机化的思路是：别试图把仿真完美对齐现实，而是把仿真参数随机化得足够宽，让现实看起来只是策略已经见过的一个变化。这是 sim-to-real 机器人学习里杠杆最高的技术之一，而且很容易接到现有 MuJoCo（或其他模拟器）管线上。

核心思想

如果策略在以下宽分布上训练：光照条件、物体颜色/纹理、相机位置与镜头畸变、摩擦/质量/阻尼值、传感器噪声水平——那么真实世界只是策略已经学会处理的分布里的又一个样本，而不是分布外的冲击。

三类随机化（原文主线）

视觉随机化：打视觉差距——随机物体颜色（geom_rgba 均匀采样）、随机光照（light_diffuse、light_pos 抖动）、随机桌面/背景材质颜色。MuJoCo 里几行 numpy 即可。

动力学随机化：打物理差距——随机摩擦系数（0.4–1.2）、物体质量（0.05–0.3 kg）、执行器增益（×0.85–1.15）。

感知与延迟随机化（常被忽略但影响很大）：给观测加图像噪声（std 0.02）、关节位置噪声（std 0.01），并模拟可变传感器延迟——可选地返回延迟 N 步的观测，让策略学会在信息迟到时仍稳健。

实践建议

• 随机化范围要"宽到现实落在分布内"：范围太窄等于没随机化，范围太宽可能学不到可用的语义；
• 延迟随机化是被低估的一环：真机控制回路的信息迟到是常态，仿真里不模拟、真机上就翻车；
• 与系统辨识搭配：先对齐基础动力学，再随机化剩余不确定性，而不是把随机化当万能兜底。

来源：Domain Randomization for Robust Robot Learning - DEV Community