领域随机化：人形机器人扩散策略成败的关键--文献解读0606

数据不够"乱"，策略就学不会——领域随机化如何决定人形机器人扩散策略的成败

解读论文：Oleg Kaidanov, Firas Al-Hafez et al.,The Role of Domain Randomization in Training Diffusion Policies for Whole-Body Humanoid Control, CoRL 2024 Workshop on Whole-Body Control and Bimanual Manipulation.

摘要

扩散策略（Diffusion Policy, DP）在机械臂操作任务中表现惊艳，但在人形机器人全身控制（Locomotion + 手臂协调）中的表现却鲜有深入探索。来自TU Darmstadt和DFKI的研究团队以Unitree H1人形机器人为平台，系统研究了数据集多样性（Domain Randomization, DR）和规模如何影响扩散策略的训练效果。核心发现令人警醒：即使数据集规模达到800万条转换，没有充分的领域随机化，扩散策略连稳定行走都无法实现。而在机械臂操作中，几十条专家轨迹就能完成任务——全身控制的难度呈数量级跃升。本文从工程实践视角，拆解实验设计、量化各随机化策略的贡献权重，并讨论其对人形机器人策略学习的工程启示。

关键词：扩散策略；人形机器人；全身控制；领域随机化；AMP；模仿学习；Sim-to-Real

目录

1. 研究背景：为什么扩散策略在人形机器人上"水土不服"
2. 技术框架：AMP教师 + DP学生的双阶段训练
3. 实验设计：8种随机化策略 × 3种数据规模的消融战场
4. 核心发现一：领域随机化不是"锦上添花"，是"入场门票"
5. 核心发现二：不是所有随机化都同等重要
6. 核心发现三：数据规模无法弥补多样性不足
7. 工程启发：做人形机器人策略训练，钱要花在刀刃上
8. 局限与展望
9. 结语

1. 研究背景：为什么扩散策略在人形机器人上"水土不服"

1.1 扩散策略在操作任务中的成功

2023年，Chi等人提出的Diffusion Policy在机械臂操作任务上一炮而红——通过将动作生成建模为条件去噪过程，扩散策略天然擅长捕捉多模态动作分布，输出平滑、稳定的轨迹。在"