近日，来自加州理工学院（Caltech）等机构的研究人员首次系统性地探索了风险感知域随机化（Domain Randomization, DR）在接触丰富采样预测控制（Sampling-based Predictive Control, SPC）中的应用。尽管域随机化在强化学习策略中已被广泛用于提升对建模误差的鲁棒性，但在接触丰富的SPC场景中，其效果和内在机制尚未得到深入理解。该研究团队由Sergio A. Esteban、Junheng Li、Vince Kurtz和Aaron D. Ames组成，他们在arXiv上提交了一篇题为“On Surprising Effects of Risk-Aware Domain Randomization for Contact-Rich Sampling-based Predictive Control”的论文。
研究以一项简单但具有代表性的Push-T任务作为测试平台，这是一种典型的接触丰富操作问题，目标是将T形物体推至指定位置。团队对比了三种不同风险态度下的滚动聚合策略：平均（average）、乐观（optimistic）和悲观（pessimistic）。在随机化模型实例上进行仿真后，他们发现域随机化的影响远超预期。它不仅提高了系统对模型误差的鲁棒性，更重要的是，它从根本上改变了采样优化器所感知的成本景观。具体来说，域随机化通过重塑接触产生动作周围的吸引域（basin of attraction），使得优化器更容易找到有利的接触策略。例如，悲观聚合策略下，DR倾向于使优化器避开那些对模型不确定性敏感的接触区域，从而形成更稳定且易于优化的目标函数。
这一发现揭示了域随机化在接触丰富控制中的双重作用：一方面是传统的鲁棒性提升，另一方面是对优化问题结构的隐性调整。作者强调，这是首次系统地展示风险感知DR在SPC中的此类效果，为后续理论分析和算法设计奠定了基础。相关视频已公开，可访问https://youtu.be/f1F0ALXxhSM。论文全文可在arXiv上获取（arXiv:2605.03290），全文共5页，包含3张图表。这项研究有望推动域随机化在机器人接触操作中的更广泛应用，并为在模型不确定性下设计更安全、更高效的控制器提供了新思路。