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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01