为什么领域随机化是 Sim-to-Real 的核心支柱

2019年，OpenAI 训练了一个机械手来还原魔方。硬件使用的是标准的 Shadow Robot Hand，但软件完全是在模拟器中训练的。机器人并不是通过对物理接触进行精确的数学建模来掌握这项任务的。相反，它的成功是因为工程师们花了数周时间来扰乱这个数字沙盒。他们随机化了指尖的摩擦力，改变了模拟魔方的质量，调整了虚拟光源，甚至向关节施加了随机的、隐形的力。这就是领域随机化（domain randomization）：一种反直觉的实践，即有意让模拟环境变得混乱，从而使现实世界看起来只是另一种普通的变体。

多年来，这项技术一直是 sim-to-real 流程中默默无闻的核心支柱。在追求具身智能（physical AI）的过程中，模拟提供了一个不可抗拒的承诺：在一夜之间以极低的成本生成数十亿步的经验，且免受物理硬件磨损的影响。然而，物理世界是一个顽强的对手。当在完美的虚拟世界中训练出来的策略遇到真实的地面、油腻的桌面或闪烁的荧光灯时，通常会瞬间失效。领域随机化正是阻止这些策略坠入鸿沟的桥梁。

但随着人形机器人开发商向通用实用性迈进，我们正在触及合成混乱所能带来的极限。要理解行业的发展方向，我们必须首先审视为什么这种粗糙的技巧如此有效，以及虚拟世界究竟在何处无路可走。

模拟中精确性的幻觉

像 NVIDIA Isaac Sim、MuJoCo 和 Drake 这样的模拟器是现代工程的杰作。它们求解数百万个微分方程，以逼近刚体动力学、接触力和重力。但它们只是近似值。模拟器必须在离散的时间步长内计算力，通常在 100 Hz 到 1000 Hz 之间。当机器人手与塑料杯接触时，实际的接触物理发生在微观尺度和无限频率上。在模拟中，这被简化为弹簧阻尼系统或互补公式等数学捷径。

如果你在单一的、高度调优的模拟环境中训练神经网络，策略就会利用该引擎的特定缺陷。它学会了通过滥用数值积分误差或依赖保持绝对恒定的摩擦系数来“作弊”。当部署到物理硬件上时，这些作弊手段会立即失效。这就是模拟与现实之间的差距（sim-to-real gap）。

合成混乱的策略

领域随机化通过改变训练目标来解决这个问题。它不再寻找适用于单一、完美世界的最佳策略，而是迫使神经网络找到一种能够在数千个微妙不同的世界中均能工作的鲁棒策略。如果一个策略在重力为 9.8 m/s²、9.2 m/s² 和 10.4 m/s² 时都能控制腿部，那么即使机器人的板载 IMU 存在轻微的校准漂移，它也很可能在 9.81 m/s² 的真实重力下存活下来。

视觉随机化

视觉领域随机化针对的是感知栈。工程师随机化相机位置、焦距、镜头畸变、光源位置、光线颜色和表面纹理。在许多训练流程中，机器人是在覆盖着随机、刺眼的棋盘格图案或噪声纹理的表面上进行训练的。通过让背景看起来像抽象艺术，网络学会了完全忽略背景，只关注目标物体的几何形状。

动力学随机化

动力学随机化针对的是控制环路。它改变了机器人及其环境的物理参数。这包括关节阻尼、连杆质量、执行器延迟、表面摩擦力和连杆长度。通过让智能体暴露在广泛的物理常数范围内，策略学会了飞速自适应，通常在其循环单元或 transformer 模块中开发出隐式的系统辨识能力。

领域随机化并不是通过让模拟变得更真实来桥接 sim-to-real 的差距；它是通过让策略对模拟和现实之间的差异视而不见来桥接这一差距。

随机化的极限

尽管领域随机化在使四足机器人能够越过崎岖地形或使人形机器人能够行走方面取得了成功，但它并不是万灵药。随着像 NVIDIA GEAR Lab 这样的开发者扩大通用模型的规模，他们正面临着这种方法的三个硬性限制。

首先是保守性权衡。如果物理参数随机化得太宽，策略就会变得过于保守。训练在摩擦系数从冰面到砂纸不等的表面上行走的机器人，为了避免滑倒，会采用缓慢、拖曳的步态，即使在干燥、高摩擦力的水泥地面上行走也是如此。它将安全性置于效率之上，因为它必须在其训练分布的最坏情况中存活下来。

其次，我们面临着复杂性瓶颈。虽然随机化一个方块的质量很容易，但模拟和随机化可变形物体、液体或颗粒材料却极其困难。模拟机器人折叠柔软的棉质毛巾、涂抹花生酱或打开纸箱需要复杂的有限元方法或粒子模拟，这些在深度强化学习所需的规模下计算成本过于高昂。

第三，存在语义变化的挑战。你可以随机化杯子的颜色，但如何随机化“杯子属性”？现实生活中的家庭包含数千个独特的杯子，每个杯子都有不同的把手形状、重量分布和易碎性。在模拟中生成逼真的语义变化需要庞大的资产库和复杂的程序化生成，而这些通常仍无法捕捉到人类环境长尾效应的混乱性。

向真实世界数据的转变

由于这些局限性，具身智能研究的前沿正在发生转移。虽然模拟对于训练低级控制环路（例如由 Agility Robotics 开发的人形机器人的行走步态）仍然至关重要，但高级操控和通用任务越来越多地在真实世界数据上进行训练。

像 Open X-Embodiment 合作项目表明，在多样化的真实世界数据集上进行训练，可以使机器人比在随机化模拟中训练时具有更好的泛化能力。当一个模型在数千个开抽屉、擦柜台和抓取物体的真实世界演示上进行训练时，它学习的是我们这个世界的真实物理，包括人类双手的微妙顺应性、材料的弹性和真实世界光照的不可预测性。

这种转变使机器人技术面临的挑战从模拟工程问题转变为数据流水线问题。瓶颈不再是你可以运行多少个虚拟 GPU，而是你可以摄取多少高质量、多样化、真实世界的人类演示数据来训练下一代 Vision-Language-Action (VLA) 模型。

前行之路

我们并没有放弃模拟。像 NVIDIA Isaac GR00T 这样的平台将继续在预训练和安全验证中发挥至关重要的作用。具身智能的未来在于一种混合方法：利用领域随机化模拟来建立稳定、鲁棒的低级反射，同时利用大规模的真实世界演示数据集来教会机器人如何与复杂、不可预测的世界进行智能互动。Sim-to-real 的核心支柱已经带我们走了很远，但通用机器人的最后一公里将由真实世界的数据来铺就。