域随机化（Domain Randomization）：在仿真环境里训练模型时，故意把光照、颜色、纹理、摩擦、延迟等参数随机地改来改去，让模型"见得多"，从而在真实世界里也能用。
为什么需要它
机器人、自动驾驶这类任务，直接在真机上训练代价太高：摔一次可能几万块，还危险。常规做法是先在仿真器里练，再搬到现实，也就是常说的"仿真到现实"（sim-to-real）。
麻烦在于，仿真器永远不够真。渲染出来的光照、材质反光、相机噪声，和现实都有差距；电机的摩擦、响应延迟、传感器偏差也对不上。模型很容易过拟合到仿真器的特有细节上——它可能学会了"看到这种偏灰的反光就是杯子"，一换到真实光照就彻底失灵。
域随机化的思路是反过来的：不去死磕"把仿真做得更真"，而是每次训练都随机抽一套参数——这次光照偏黄，下次偏蓝；这个杯子是红的，那个是绿的；重力调大一点，摩擦力调小一点；相机加噪声，动作加延迟。这样一来，模型没法依赖任何单一环境特征，只能抓住在所有这些变化下都成立的规律。
打个比方：教人认猫，如果只给十张同一角度的橘猫，他可能把"橘色"当成猫的定义。给他看成千上万张不同品种、姿势、光照、遮挡的猫，他才只能抓住真正稳定的特征。随机化就是人工制造这种"世面"。
和相邻概念的区别
| 方法 | 需要真实数据 | 在哪儿做文章 | 典型用途 |
|---|---|---|---|
| 域随机化 | 不需要 | 仿真侧的渲染与物理参数 | 仿真训练后直接上真机 |
| 域适应 | 需要少量目标域数据 | 对齐源域与目标域的特征分布 | 已有真实数据但标注稀少 |
| 数据增强 | 基于真实数据 | 对真实样本做旋转、裁剪、变色 | 图像分类、目标检测 |
数据增强是在真实样本上做小幅度变换，主要解决样本不够；域随机化随机的是模拟器的引擎参数，幅度往往大得多，目的是弥合"整个域"的差距。域适应通常手里已经有真实数据，而域随机化恰恰是在真实数据拿不到、或者太贵时才登场。
实际意义
- 机器人：抓取、四足行走、灵巧操作，很多策略是在随机化仿真里练完直接部署的，省掉真机上大量试错。
- 工业视觉：真实缺陷样本稀少，就在仿真里随机化缺陷形状、材质、光照来造训练数据。
- 自动驾驶：随机化天气、时段、行人行为，测试感知模块的边界。
几个注意点：随机范围要"刚刚好"，太窄覆盖不了现实，太宽会让最优策略退化成"保守到什么都不做"，实践中常需要逐步放宽；它随机的是参数，补不上仿真器里根本不存在的物理效应（比如复杂的柔性接触）；训练也更慢、更吃算力。具体工具与参数范围的建议，以官方文档为准。
对普通职场人来说，这套思路可以借鉴：与其苦等一个完美的练习环境，不如主动在多变环境里练出适应力。听到"仿真里训好直接上真机"，背后十有八九用了域随机化。