域随机化（Domain Randomization）是一种用于提升机器学习模型泛化能力的训练技术，其核心思想是在训练过程中人为地引入数据分布的多样性，通过随机改变虚拟环境中的视觉、物理或语义属性（如纹理、光照、物体位置等参数），使模型暴露于高度变化的模拟场景中。这种方法让模型在训练时就能适应潜在的真实世界复杂性，从而减少模拟环境与现实场景之间的「域差距」（Domain Gap）。域随机化尤其适用于机器人控制、自动驾驶等需要从仿真环境迁移到真实场景的具身智能任务。
在AI产品开发实践中，域随机化显著降低了数据采集和标注成本，例如工业质检中可通过随机生成缺陷形态的虚拟样本训练检测模型。但需注意过度随机化可能导致模型学习无关噪声，因此常与课程学习（Curriculum Learning）结合，逐步增加随机化强度。英伟达的Isaac Gym仿真平台便运用该技术训练机械臂策略，相关论文《Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World》提供了经典案例参考。