爱游戏空间计算研究组如果把一个AR“任务”拆开来看，最粗糙的版本只有两步：打开摄像头，在画面里随便贴几个图标，玩家点一点就算完成。这种做法在演示视频里很好看，一到真实的房间里就露馅：图标浮在半空，宝箱嵌在墙里，任务要求玩家倒退到撞上书架。爱游戏官网所介绍的空间游戏工作流，想解决的正是这条差距：从摄像头看到房间，到生成一个在这个房间里真正玩得起来的任务，中间要经过哪些环节，每一步交出什么，又在哪里最容易出错。
“贴图标”和“做任务”之间隔着什么
随机贴图标的问题在于，它没有回答三个基本问题：这个位置在现实里是否存在、是否可以到达、是否安全。一个真正能玩的空间任务，需要在放置任何内容之前先了解房间，在放置之后还要保证内容不漂走，在玩家互动时又要判断对方是否真的完成了动作。
这就把流程拉长了。工作流的价值，是让每一步只回答一个问题，并把结果交给下一步，出现问题时也知道该回到哪一步排查。它也让“AI生成任务”这件事有了边界：AI并不是凭空想象一个关卡，而是在已经验证过的空间信息上做选择与组合。
九个环节，各自吃进什么、吐出什么
整条链路大致如下，每一步都标明了主要输入、输出和常见的失败方式。
- 摄像头与传感器：输入是相机画面、惯性传感器数据，有的设备还有深度信息；输出是带时间戳的原始观测。失败多来自光线过暗、镜头被遮挡、设备移动过快造成的运动模糊。
- 空间建图（Spatial Mapping）：把连续观测转成稀疏点云和粗略网格，同时估计设备自身位置。失败表现是纹理太少的白墙、大面积反光的地面导致点云稀疏，地图“飘”。
- 场景理解（Scene Understanding）：在几何之上识别平面、墙、地面、桌子、门、窗等语义。失败是把矮桌当成地面、把窗帘当成墙、忽略玻璃。
- 可玩区域检测：综合可行走、无障碍、离窗边与楼梯足够远、空间足够大，划出允许放置内容与允许玩家活动的区域。失败是过于乐观，把危险边缘也当成可玩。
- 游戏规则：定义任务的类型与约束，比如“需要一处稳定的桌面”“至少两米的活动空间”“不得要求玩家后退”。失败是规则写得过于理想，房间根本满足不了。
- 任务生成：在可玩区域和规则的约束下，为这个房间选出任务点、路线与难度。失败是生成的任务过于集中，或者需要的区域不存在，应能自动降级到更简单的版本。
- 空间锚点（Spatial Anchor）：为每个放置的内容建立稳定的位置参考，使玩家走开再回来仍在原处。失败是锚点漂移，物体慢慢偏离原位。
- 角色与物体放置：把角色、道具、互动点摆到锚点上，并处理遮挡、深度和光照，使它们看起来属于这个房间。失败是遮挡缺失，虚拟物体“浮”在真实家具的前面。
- 玩家互动：玩家通过走近、指向、手势或语音与内容互动，系统判断动作是否有效。失败是误判，例如没碰到却算完成，或者碰到了却没反应。
可以看到，前五步是“理解与约束”，后四步是“生成与交互”。顺序不能颠倒：不知道哪里可玩，就无从生成任务；不知道任务需要什么，就无从判断哪块区域够用。
为什么可玩区域必须先于任务生成
一个常见的误解是：先让AI想一个有趣的任务，再看能不能放进房间。爱游戏设计思路里的顺序正好相反：先确定房间给了什么，再决定能玩什么。
这么做有几个现实理由。第一，玩家的房间千差万别，同一个任务模板在大客厅与小卧室里的可行性完全不同。第二，安全条件是硬约束，不能靠任务本身的乐趣来抵消，靠近窗边或楼梯的区域必须在生成阶段就被排除，而不是在玩到一半时才提醒。第三，从约束出发，生成过程可以复现：同一个房间下次回来，得到的是一致的布局，而不是每次随机。关于同一个任务如何随房间而重新布局，可以参见同一个AR任务为什么不能在每个人家里长得一样。
一间书房的模拟全过程
下面是一个模拟场景，房间尺寸、物品与时间均为示例。玩家的书房里有一张靠墙的书桌、一把转椅、一个书架、一块地毯，朝阳台的一侧是落地窗，窗边有一盆植物。任务类型是“帮一只小机器人找回三块散落的零件”。
- 举起设备：玩家站在门口，应用提示先沿着墙缓慢移动一圈。书房里灯光正常，摄像头与惯性传感器开始提供数据。
- 建图：书架与书桌的纹理丰富，点云很快稠密起来；但地毯下方的木地板较为反光，地面点云偏稀疏。系统在扫描提示中让玩家再向下俯身扫一遍地面。
- 场景理解：识别出书桌、椅子、书架、落地窗与植物，并把窗帘部分标为“不确定”，因为它随光线飘动，边界不稳定。
- 可玩区域：书桌桌面被标为可放置区；地毯区域为可行走区；落地窗前一段距离被标为禁入，植物周围因为容易被碰到而降权；椅子是可移动物体，不参与锚点。
- 规则与生成：规则要求零件之间有足够的距离，玩家不需要跨过椅子，也不需要靠近窗边。系统生成两套备选布局：一套把零件放在书桌、书架下层和门口的地面；另一套更简单，全放在桌面与地毯上。玩家在预览里选了第一套。
- 锚点与放置：三个零件分别绑定到书桌角、书架侧面纹理明显处和门边的墙角，这些位置的特征点丰富，锚点更稳。机器人的“基地”放在地毯边缘，被书桌遮挡的部分正确地显示为被挡住。
- 玩家互动：玩家走近书桌，指向零件拾取，系统判断手部靠近的位置与零件位置足够接近才算有效；第三个零件在门口，玩家转身即可看到，不需要出房间。完成后，机器人在基地里“组装”，任务结束。
整个过程里，AI并没有替玩家做出“开始”“接受”“放弃”的决定：布局是备选的，预览是可改的，玩家可以随时把某个位置排除，也可以直接换成更简单的版本。这一点与整个体系的基本取向一致：AI负责提出可行方案，选择权留给玩家。
失败会发生在哪一环，怎么回到哪一环
工作流的另一个好处，是失败可以被定位。下面这张表把常见的现象与对应环节放在一起，便于排查。
| 玩家看到的现象 | 最可能的环节 | 可能的处理 |
|---|---|---|
| 提示“无法识别房间” | 传感器、建图 | 补充光线，缓慢移动，覆盖墙面与地面，缩小扫描范围 |
| 角色穿过桌子 | 场景理解、放置 | 重新扫描桌面，检查遮挡处理 |
| 任务点出现在危险位置 | 可玩区域检测 | 手动排除该位置，反馈给系统，扩大禁入范围 |
| 物体慢慢飘走 | 空间锚点 | 把重要物体绑定到特征丰富的位置，必要时重新定位 |
| 明明做对了却不算完成 | 玩家互动 | 放宽判定，提供明确的视觉反馈 |
关于锚点漂移与“穿墙”的成因，可以再看AR角色为什么经常穿墙；如果是使用中遇到扫描失败，则可以查阅应用里的相关排查说明。
房间数据去哪里，是流程的一部分
从摄像头到任务，中间产生了不少与玩家家庭有关的数据：房间的三维结构、家具的位置、光线。这些数据敏感度并不低。爱游戏的设计思路是，房间地图与语义结果默认应保存在设备本地，玩家可以查看与清除，仅在明确同意时才用于其他用途；用于生成任务的信息，只保留任务需要的最小部分。具体设置与行为以正式版说明为准。
好任务是被房间“筛”出来的
把摄像头看到的画面变成一个能玩的任务，不是一次生成，而是一串层层收窄的过程：先理解房间，再划定可以做什么，最后才谈怎么好玩。每一步都有输入、输出和可能出错的地方，也都有回到上一步的可能。
爱游戏官网把这条工作流写出来，并不是要展示一个完美的流水线，而是希望把“AR任务”这件事讲得更诚实：它依赖真实的空间信息，会受到光线、遮挡与设备能力的限制，也需要在不确定时让位于玩家的安全与选择。这条工作流属于设计思路，具体功能与开放节奏，以正式说明和下载页更新为准。
