知识中等
Domain Randomization为何有助于Sim-to-Real？哪些参数应随机化，范围如何设定？
DR 把真实世界变成训练分布内的一次采样：随机化视觉与物理参数迫使策略放弃仿真特有线索、学鲁棒特征；范围以真机辨识值为中心覆盖其不确定度，过窄盖不住差距、过宽任务不可学。
标准答案
原理：sim-to-real 的本质是真实环境是仿真的一个未知参数化，DR 把这些参数当随机变量，训练分布覆盖真实参数时部署即为 in-distribution；同时随机化让「精确纹理、理想动力学」这类仿真特有特征不可靠，策略被迫学习结构化、可迁移的特征。参数选择：视觉——纹理/颜色/光照/相机位姿/噪点/遮挡；物理——质量、质心、摩擦、关节阻尼、执行器增益与延迟、控制器参数、控制频率；系统——传感时延、初始状态分布。范围设定：以真机测量/系统辨识值为均值，覆盖其不确定度（若干标准差）；过窄盖不住 real gap、过宽则奖励信号被噪声淹没任务不可学。进阶：课程式逐步扩范围、active DR / sim-opt 按真机失败反馈定向收窄分布。
深入理解
追问常是：DR 与系统辨识的取舍（无真值时 DR 稳健、有数据时辨识精准，工程上常组合）；随机化过度的「鲁棒但平庸」；视觉 DR 的现代替代（真实数据微调、照片级渲染、domain adaptation）。能给出「参数 ↔ 对应 sim2real gap 类型 ↔ 测量手段」的映射表是加分，说明真的搭过随机化流水线。