StarRailCopilot项目中的遗器本识别问题分析与解决方案
2025-06-20 14:30:11作者:何将鹤
问题背景
在StarRailCopilot项目中,用户报告了一个关于遗器本识别的问题。具体表现为当"物理·击破"遗器本不在列表第一页时,系统无法正确识别该副本。这个问题影响了自动化流程的正常执行,导致用户无法顺利完成预设的每日副本挑战任务。
问题现象分析
从用户提供的日志和截图可以观察到以下关键现象:
- 系统在尝试识别"物理·击破"遗器本时,仅扫描了列表的前几项内容
- 日志显示系统识别到了"霜风之径"、"漂泊之径"和"圣颂之径"三个副本,但没有找到目标副本
- 用户截图证实目标副本确实存在于列表中,但位于较靠后的位置
- 系统在识别失败后没有尝试向下滚动查看更多副本选项
技术原因探究
经过深入分析,这个问题主要由以下几个技术因素导致:
-
列表识别范围限制:当前实现仅扫描列表的可见部分(通常是第一页内容),没有实现完整的滚动查找机制。
-
副本排序逻辑假设:代码中隐含假设了副本会按照某种特定顺序排列,而实际上游戏中的副本列表顺序可能与解锁顺序或其他因素相关。
-
OCR识别范围局限:光学字符识别(OCR)仅应用于当前屏幕可见区域,没有结合滚动操作来扩大识别范围。
-
状态检测不完整:系统没有充分检测副本的解锁状态("传送"与"追踪"的区别),导致对已解锁副本的判断不准确。
解决方案设计
针对上述问题,建议从以下几个方面进行改进:
-
实现完整的滚动查找机制:
- 添加向下滚动功能,确保能够浏览整个副本列表
- 设置合理的滚动步长和最大滚动次数,平衡查找效率和完整性
- 实现滚动后的内容重新识别流程
-
改进副本识别逻辑:
- 移除对副本排序的任何假设,采用完全动态的识别方式
- 增加对副本解锁状态的检测(区分"传送"和"追踪")
- 实现更健壮的OCR后处理,处理可能的识别错误
-
优化错误处理流程:
- 当目标副本不在当前视图中时,自动触发滚动操作
- 设置合理的超时机制,避免无限查找
- 提供更清晰的错误日志,帮助诊断识别失败原因
-
增强用户体验:
- 在UI中显示当前查找进度
- 提供手动干预的选项
- 优化查找过程的视觉反馈
实现建议
具体到代码层面,可以考虑以下实现方式:
- 在DraggableList类中增加scroll_down方法,实现可控的列表滚动
- 修改DungeonList的识别逻辑,使其能够处理多页内容
- 添加对副本状态的检测逻辑,准确判断是否已解锁
- 实现查找循环,结合滚动和识别操作,直到找到目标或达到最大尝试次数
总结
StarRailCopilot项目中的这个遗器本识别问题揭示了自动化系统中常见的界面元素查找挑战。通过分析我们了解到,健壮的自动化系统不能对界面元素的排列顺序做任何假设,必须实现完整的查找机制。解决方案不仅需要解决当前的具体问题,还应建立更通用的界面元素查找框架,为处理类似问题提供基础。这种改进将显著提升系统的稳定性和用户体验,使自动化流程更加可靠。
登录后查看全文
热门项目推荐
相关项目推荐
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 Notebook0117
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
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
暂无描述
Dockerfile
763
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
677
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler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。
C
455
437
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 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 Notebook
297
116
昇腾LLM分布式训练框架
Python
178
220