同一个AR任务为什么不能在每个人家里长得一样？爱游戏AI开始根据房间重新生成玩法

一个AR关卡设计得再精巧，也有一个前提：玩家家里得有这块场地。设计师在办公室里搭出一个“三米乘三米空地，四个方位各有一处敌人出生点”的关卡，拿到真实家庭里，会遇到完全不同的现实。有人的客厅里一张大沙发占掉一半空间，有人的书房只有一条能站人的窄缝，还有人在宿舍里，床与书桌之间只剩一步宽。同一个任务，被固定尺寸的关卡硬塞进去，结局要么是敌人刷在了墙里，要么是玩家为了够到宝箱不得不后退撞上床沿。

本文讨论的是另一种思路：不要让玩家迁就关卡，而是让关卡根据房间重新生成。这类方法在文献里常被叫作 Room-aware Game Generation 或者程序化AR生成。爱游戏的设计思路是把房间的扫描结果当作生成过程的输入，让AI在空间约束下布置敌人、任务、宝箱和互动点。文中的房间尺寸、数值和任务过程都是模拟场景，用来演示规则如何运行，并非真实测试数据。

固定关卡在真实房间里的三种失败

为什么要专门讨论这件事？先看固定关卡在家庭环境中最常见的三种失败方式。

• 不可达：任务点落在了玩家够不到的位置，比如高柜顶部、沙发背后的窄缝，或者床与墙之间一处根本站不进去的角落。玩家只能对着屏幕上的图标干着急。
• 不安全：任务点要求玩家后退、转身或侧移，而身后正好是楼梯口、阳台门或者一把没收好的椅子。AR的特殊之处在于玩家的眼睛盯着屏幕，脚下的现实并没有消失。
• 不匹配：关卡针对空旷场地设计，放进小房间后所有敌人都挤在半米范围内，节奏彻底崩掉；放进大房间后又显得稀稀拉拉，玩家要走很久才碰到下一个目标。

这三种失败有一个共同根源：关卡把“空间”当作已知常量。而在家庭AR里，空间是每个玩家各不相同的变量。解决办法不是让设计师为每种房型手工做一套关卡，那不可能穷尽，而是把关卡拆成“规则”和“布局”两层：规则由设计师写，比如“三处信标需要被依次激活，每处附近有守卫”；布局由系统根据房间实时生成。

第一步：从扫描结果里切出真正的可玩区域

生成的起点，是弄清房间里哪里可以玩。前一步的空间理解会给出地面平面、墙、家具的位置与类别，以及带置信度的导航网格；这一层的工作，是把它们进一步整理成“可玩区域”。可以把它理解为四个动作：

1. 取出可站立的地面：地面减去家具占地，再去掉低置信度的区域，比如反光地板、光线太暗的角落。
2. 排除禁区：窗边、楼梯口、门槛、阳台门、明显的易碎物周围，全部标记为不可引导玩家进入的范围。
3. 识别主活动区：可行走区域往往是几块互相连通的空地，其中最大的一块被当作“主活动区”，玩家大多数动作发生在这里，任务应当以它为中心展开。
4. 标记可利用的家具：桌面适合放置道具，沙发适合放置掩体，墙面适合放置需要抬头才能看到的目标。家具不再只是障碍，也是关卡元素的挂点。

提取出的结果，可以用几个简单的量描述：主活动区的近似长宽、最窄通道的宽度、家具挂点的数量与高度分布、禁区占比。这几个量就是后续生成的“房间画像”。需要强调的是，这份画像是关于房间形状的抽象，不需要保存房间的照片，更不需要上传。在爱游戏的设计里，扫描产生的空间地图默认保存在本机，用来生成当前任务，玩家也可以随时删除。

第二步：用约束采样，而不是随机撒点

拿到可玩区域，接下来才是布置任务点。最省事的办法是在区域里随机撒点，但随机撒点几乎必然出问题：两个敌人叠在一起，宝箱刷在角落，玩家必须贴着墙走才能触达。所以更合理的做法是约束采样，也就是先定规则，再在满足规则的位置里选点。以下几类约束几乎总是必要的：

• 最小安全间距：任务点与墙、家具边缘、禁区之间保留一个缓冲，让玩家在靠近和转身时不会碰到东西。缓冲要考虑玩家的手臂伸展和一次转身的范围，而不是只看点与点的距离。
• 可达性：从玩家当前站位到任务点，必须在导航网格上存在一条无障碍路径。不可达的点直接排除。
• 视线与角度：目标不能长期处在玩家背后，否则玩家要不停原地转圈；连续两个任务点之间的转角也应受限，避免要求玩家在狭窄空间里做大幅度折返。
• 不要求后退：这是AR特有的约束。任务设计上尽量让玩家向前或侧向移动；需要“拉开距离”的玩法，比如躲避远程攻击，只在后方有足够余量时才启用。
• 分散度：多个任务点之间保持最小距离，同时又不能分散到一次任务需要横跨整个房间，否则节奏太拖。

采样得到的结果还要过一遍“可解性检查”：把所有任务点连起来，检查是否存在一条完整的、满足上述约束的路径。如果不存在，就重采样或者降级，比如把三处信标缩减为两处，而不是把一个走不通的布局交给玩家。这里的道理与传统程序化关卡生成一致，不同的是，AR里的“地图”是真实房间，验证失败的代价是玩家撞上家具，而不是屏幕上的一次穿模。

第三步：难度按空间补偿，布局还要能复现

同样的敌人数量，在大客厅里显得从容，在小卧室里可能令人喘不过气。因此难度需要随空间调整。直觉上，面积越小就应该越少的敌人，但实际情况更复杂。

面积只是一个维度。一间小而规整的房间，玩家能站在中央转身，可以承受较密集的目标；一间面积不小却被家具切成几段的房间，玩家可能需要频繁绕行，同样数量的目标反而更累。所以补偿因素至少包括：主活动区的连通性、最窄通道宽度、目标之间的平均步行距离，以及任务允许的时间。

另一个方向是调整“玩法形态”而不仅是数量。大空间可以用“巡逻”“追逐”这类需要移动的玩法；小空间则更适合“原地转向”“上下抬头”“伸手够取”这类不需要位移的玩法。换句话说，房间越小，玩法越向“站桩式”倾斜，房间越大，玩法越向“走动式”倾斜。这样比单纯减少敌人数量，更能保持“玩起来有事做”的感觉。

还有一层是玩家自己的选择。有些玩家喜欢大幅度走动，有些人只想坐在沙发上轻松玩一会儿。爱游戏的设计思路是在任务开始前给一个明确的“活动量”选项，让玩家决定今天是站着玩还是坐着玩，系统再据此收缩或放开生成范围，而不是替玩家决定。

同一个房间，下次回来应该一致。生成还有一个容易被忽视的要求：可复现。玩家今天在书房打到第二处信标，明天回来，如果关卡整体被重新随机，之前的进度就没有意义；反过来，如果布局完全固定，玩家又会觉得重复。

比较合理的做法，是把布局拆成“种子”和“变化量”。同一个房间的空间画像，加上任务的固定种子，会生成一套基础布局，保证主要任务点位置稳定；变化量则控制少量元素，比如守卫的巡逻路线、宝箱内的道具，让每次回来有些新鲜感。布局与房间画像绑定，而房间的空间锚点由设备重新定位得到。锚点如果漂移，布局需要在下一次扫描后做小幅校正，这也是为什么空间锚点的稳定性会直接影响生成结果的一致性。

房间本身也会变。玩家挪了沙发，或者在桌上放了一摞书，画像就发生了变化。系统的合理反应，不是无声地把任务点搬到别处，而是在检测到布局明显变化后，请玩家确认“房间有变化，是否重新扫描”，然后按新画像局部重新生成，而不是整套推翻。

模拟场景：同一个“守护信标”，两间不同的房间

为了把上面的步骤具体化，看一个模拟场景。任务规则是：房间里需要激活三处“信标”，激活时有守卫靠近，玩家要在守卫到达前完成动作，最后回到起点领取奖励。以下两个房间的尺寸都是为演示而设的假设示例。

值得注意的是玩家B这一栏。生成器最初可能把第三处信标放在窗边，因为那里空间最大、点位最“合理”；但禁区规则把窗边排除，于是它换到了书桌台面。玩家看到的只是“信标出现在书桌上”，看不到中间被拒掉的候选点。好的房间感知生成，正是让玩家感觉不到系统的约束，只感觉到任务恰好适合这间屋子。

在这个模拟里，两位玩家玩的是同一条规则、不同的布局。他们的游戏内容并不相同：一个在走动中躲避，一个在原地应对。但玩法的目标、奖励和叙事完全一致，所以仍然可以组队交流、比较心得。这也是房间感知生成想达到的平衡：规则保持一致，形态因地制宜。

生成得再聪明，也得先保证玩家不受伤

AR玩法有一条其他游戏没有的底线：玩家的身体在真实空间里。因此生成器在布置任务时，必须把安全当作硬约束，而不是可以被难度目标覆盖的软偏好。一些具体做法包括：

• 不设计需要奔跑、快速转身或大幅度跳跃的任务，特别是没有确认周围空旷时。
• 楼梯、窗边、阳台、炉灶附近默认标记为禁区，即使空间理解认为那里“可行走”。
• 在任务开始前提示玩家清理脚下障碍，并在低置信度的房间里主动缩小活动范围。
• 玩家一旦快速移动，或追踪质量下降，就暂停新目标的生成，先让画面稳定。
• 提供随时暂停、随时退出的入口，并在长时间游玩后提醒休息。

这些约束有时会让玩法显得保守，但对于一个要走进真实家庭的产品，保守是合理的。空间理解的细节可以参考AR角色怎么知道桌子不是路，而扫描不理想时如何做，可以看看识别不了房间的排查思路。

关卡编辑器不在游戏引擎里，在玩家家里

传统游戏里，关卡编辑器是设计师手里的工具；在空间游戏里，一个越来越明显的事实是：真正的关卡就在玩家的房间里，设计师能做的，是写出足够灵活的规则，让房间成为关卡的原材料。这意味着设计重心的转移：从“摆放什么”转向“在什么条件下摆放什么”，从固定的地图转向一套能适应任意地形的约束系统。

这条路并不轻松。生成需要稳定的空间理解作底，需要严格的安全约束作边界，需要可复现的锚点作依托，还需要保证不同房间里的玩家感受到的是同一款游戏。它做不到完美，玻璃、镜子和杂乱的房间仍会让画像出错，小到不能容身的空间也没有任何算法能凭空变出场地。但至少方向是清楚的：让AI去读房间，而不是让玩家去迁就关卡。当同一个任务在每个家里都长得不一样，却又都恰好合适，这才是AR任务本该有的样子。