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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00