近日，來自加州理工學院（Caltech）等機構的研究人員首次系統性地探索了風險感知域隨機化（Domain Randomization, DR）在接觸豐富取樣預測控制（Sampling-based Predictive Control, SPC）中的應用。儘管域隨機化在強化學習策略中已被廣泛用於提升對建模誤差的魯棒性，但在接觸豐富的SPC場景中，其效果和內在機制尚未得到深入理解。該研究團隊由Sergio A. Esteban、Junheng Li、Vince Kurtz和Aaron D. Ames組成，他們在arXiv上提交了一篇題為“On Surprising Effects of Risk-Aware Domain Randomization for Contact-Rich Sampling-based Predictive Control”的論文。
研究以一項簡單但具有代表性的Push-T任務作為測試平臺，這是一種典型的接觸豐富操作問題，目標是將T形物體推至指定位置。團隊對比了三種不同風險態度下的滾動聚合策略：平均（average）、樂觀（optimistic）和悲觀（pessimistic）。在隨機化模型例項上進行模擬後，他們發現域隨機化的影響遠超預期。它不僅提高了系統對模型誤差的魯棒性，更重要的是，它從根本上改變了取樣最佳化器所感知的成本景觀。具體來說，域隨機化透過重塑接觸產生動作周圍的吸引域（basin of attraction），使得最佳化器更容易找到有利的接觸策略。例如，悲觀聚合策略下，DR傾向於使最佳化器避開那些對模型不確定性敏感的接觸區域，從而形成更穩定且易於最佳化的目標函式。
這一發現揭示了域隨機化在接觸豐富控制中的雙重作用：一方面是傳統的魯棒性提升，另一方面是對最佳化問題結構的隱性調整。作者強調，這是首次系統地展示風險感知DR在SPC中的此類效果，為後續理論分析和演算法設計奠定了基礎。相關影片已公開，可訪問https://youtu.be/f1F0ALXxhSM。論文全文可在arXiv上獲取（arXiv:2605.03290），全文共5頁，包含3張圖表。這項研究有望推動域隨機化在機器人接觸操作中的更廣泛應用，併為在模型不確定性下設計更安全、更高效的控制器提供了新思路。