Auto_Simulated_Universe项目2.3版本适配问题解析与解决方案
问题背景
Auto_Simulated_Universe项目是一款自动化运行"模拟宇宙"游戏模式的工具。在游戏更新至2.3版本后,项目出现了若干兼容性问题,主要表现为图像匹配失败和OCR识别位置偏移。这些问题影响了工具的核心功能,包括事件交互、祝福选择等关键操作。
主要问题分析
图像匹配失效
游戏UI在2.3版本中进行了视觉调整,导致以下关键场景的截图匹配失败:
- 掉落物品识别(drop.jpg)
- 祝福选择界面(drop_bless.jpg)
- 随机事件界面(event.jpg)
- 命途选择界面(fate_3.jpg)
- 奇物界面(strange.jpg)
这些界面元素的视觉变化使得原有的图像模板无法正确匹配,需要更新对应的图像资源。
OCR识别位置偏移
更关键的问题是交互文字识别区域的改变:
- 交互提示文字区域的高度增加了约11像素
- 原有OCR截取区域未能适配新尺寸
- 导致文字识别不完整,影响交互判断
具体表现为工具无法正确识别"与黑塔交互"等关键操作提示。
解决方案
图像资源更新
对于使用编译版的用户,最简单的解决方法是替换以下图像资源:
- drop.jpg
- drop_bless.jpg
- event.jpg
- fate_3.jpg
- strange.jpg
这些新资源需要从游戏2.3版本中重新截取,确保与当前游戏界面一致。
OCR区域调整
源码版解决方案
对于使用源码的用户,需要修改两个关键文件:
- states.py
- utils/utils.py
修改内容为调整OCR识别区域的Y坐标参数,将原有的:
img = self.check("z", 0.3200, 0.4241, mask="mask_f", large=False)
调整为:
img = self.check("z", 0.3200, 0.4324, mask="mask_f", large=False)
这个调整将OCR识别区域向下移动,确保能完整捕捉交互提示文字。
编译版解决方案
对于使用编译版的用户,可以通过修改mask_f.jpg图像资源来间接调整识别区域:
- 保持图像为全黑色
- 增加图像高度至100像素左右
- 保持宽度不变
这种方法通过扩大识别区域来补偿位置偏移,虽然不如直接修改代码精确,但也能解决大部分识别问题。
技术原理深入
图像匹配技术
项目使用OpenCV的模板匹配算法来识别游戏界面元素。当游戏UI更新时,原有模板与新界面之间的相似度可能低于设定的阈值,导致匹配失败。解决方案中的图像资源更新实际上是提供了与新UI匹配的新模板。
OCR识别优化
项目的OCR识别采用区域截取+文字匹配的方式。位置偏移问题的本质是:
- 游戏更新改变了UI布局
- 原有截取区域未能覆盖完整文字
- 导致文字识别不完整
通过调整Y坐标参数,实际上是重新校准了文字识别区域,使其与新版UI对齐。
最佳实践建议
- 推荐使用源码版本,便于后续调整和维护
- 定期检查游戏更新,及时更新图像资源
- 对于OCR问题,可以尝试不同的Y坐标值(0.4320-0.4330)找到最佳匹配
- 遇到识别问题时,检查日志输出以确定具体失败原因
总结
游戏UI更新是自动化工具常见的问题来源。通过分析Auto_Simulated_Universe项目在2.3版本中遇到的问题,我们可以总结出以下通用解决方案思路:
- 及时更新图像模板资源
- 动态调整识别区域参数
- 建立版本适配机制
- 提供灵活的配置选项
这些经验不仅适用于本项目,也可应用于其他游戏自动化工具的开发和维护。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00