2025年益智遊戲行業技術分析：凝視與增強現實重塑兒童益智體驗

  在數位化浪潮的持續推動下，2025年的益智遊戲行業正經歷著深刻的技術變革。兒童益智遊戲作為兒童成長中不可或缺的輔助工具，藉助新興技術展現出了巨大的發展潛力。手機、平板、電腦等智能設備的普及，為兒童接觸益智遊戲提供了便利。特別是增強現實(AR)技術的應用，讓益智遊戲的形式和體驗得到了極大豐富。然而，AR 技術在實際應用中也暴露出一些問題，這促使行業不斷探索創新，以提升兒童益智遊戲的品質和用戶體驗。

  一、基於凝視與增強現實的兒童益智遊戲交互技術革新

  益智遊戲旨在全面鍛鍊兒童的思維、記憶、反應速度以及邏輯推理等認知技能。AR 技術的出現，為益智遊戲帶來了新的生機，它能夠實時計算攝像機影像的角度與位置，並添加新的圖像信息，為兒童創造出更加沉浸式的遊戲體驗，增強了遊戲的互動性和趣味性。

  但傳統 AR 技術在物體抓取方面存在不足，缺乏真實的實物抓取感，影響了玩家的沉浸式體驗。為解決這一問題，行業推出了 G-AR 算法。該算法通過圖像檢測識別可能的抓取位置，並利用增強現實技術呈現這些位置，玩家可通過凝視主觀選擇最優抓取位置。G-AR 算法主要包含智能機器人主觀交互、G-AR 抓取點決策、待抓取點位檢測這三個關鍵模塊。其運行過程為：輸入凝視位置、RGB 深度圖像與彩色圖像，藉助 RGB 圖像經 YOLOv5 網絡確定候選抓取位置，當候選位置數量大於等於 1 時，將其輸出至成像軟體。

  在實際應用中，通過微軟 HoloLens 2 將待抓取位置的點位及角度以 AR 形式呈現在玩家眼前。在確定抓取目標的點位和角度時，考慮到抓取物體通常存在至少 4 種位置情況，即抓取位置向下未遮擋目標、在目標下方、在目標中間、覆蓋目標。將這 4 種情況構建進混合現實裝備中，每個待抓取位置的目標模型都設計為可交互實體模型，方便玩家凝視並篩選出最佳抓取位置。經過篩選，一般選擇無遮擋向上的抓取角度，將目標平放在玩家手掌，隨後對該角度下的目標位置進行掃描檢測，檢測後的目標抓取點以 AR 形式呈現。若玩家對智能機器人決策出的抓取範圍不滿意，可再次掃描，直至雙方決策一致，此時便可進行目標抓取。

  二、基於改進智能機器人抓取算法的兒童益智遊戲交互輔助升級

  《2025-2030年全球及中國益智遊戲行業市場現狀調研及發展前景分析報告》指出，在兒童益智遊戲中，智能機器人系統在抓取目標時，需精準移動至目標抓取點正上方，同時避免對抓取目標造成破壞以及誤傷玩家。為此，行業提出了基於 DDQN 改進的強化學習智能機器人抓取優化算法 RGRL。該算法通過獲取玩家手的位置、抓取目標的大小，以及抓取目標與手部的位置、角度關係，實現精準抓取。

  三、基於凝視與增強現實的兒童益智遊戲測試成效顯著

  為驗證改進後的 G-AR 與 RGRL 算法在目標物體抓取識別方面的優勢，行業開發了智能機器人協助搭建兒童積木運行系統(BBMC)。該系統的兒童積木玩法借鑑自疊疊樂積木塔，先將木塊三根一層交錯疊高成塔，然後玩家輪流擲骰子決定抽取木塊，並將抽取的木塊放置在木塔頂層，若在抽取和放置木塊過程中木塔倒塌則遊戲失敗。

  在 BBMC 系統中，智能機器人為實現成功抓取，需在仿真場景里尋找最佳移動路徑。為驗證 RGRL 算法對智能機器人抓取準確程度的影響，進行了仿真實驗。實驗以一個完整的抓取流程(episode)為疊代指標，次數上限設為 5000，每經過 200 次記憶疊代相當於在仿真場景中的 200 次準確抓取測試。實驗同時引入了不考慮抓取過程中失誤及成本的抓取算法(Fixed Motion Path,FMP)，並將其與 RGRL 算法的成功抓取準確率進行對比。結果顯示，RGRL 抓取算法對靜止目標的抓取成功率遠高於 FMP 抓取算法。RGRL 算法的抓取成功率均高於 70%，且成功率曲線呈上升趨勢，峰值出現在第 8 位操控者處，數值為 91.10%，谷值出現在第 1 位操控者處，數值為 70.11%，差值為 20.99%;而 FMP 算法的成功率峰值出現在第 3 位操控者處，數值為 38.77%，谷值出現在第 2 位操控者處，數值為 16.10%，差值為 22.67%，RGRL 算法抓取準確率相比 FMP 算法高出 52.33%。對於非靜止目標，RGRL 抓取算法的成功率同樣遠超 FMP 抓取算法。RGRL 算法成功率峰值出現在第 6 位操控者處，數值為 83.40%，谷值出現在第 1 位操控者處，數值為 66.90%，差值為 16.50%;FMP 算法成功率峰值出現在第 3 位操控者處，數值為 40.02%，谷值出現在第 7 位操控者處，數值為 23.33%，差值為 16.69%，RGRL 算法抓取準確率相比 FMP 算法高出 43.38%。這表明 RGRL 算法對不同狀態下的積木成功抓取率高，準確抓取效率更適配低齡化兒童的遊戲設計。

  為驗證 G-AR 算法能更高效地決策出積木塊最佳抓取位置，開展了相關實驗，並引入 3 種智能機器人輔助方法(A1 - A3)進行對比。A1 表示完全自主抓取的智能機器人，A2 表示將單個積木塊分為上下左右中 5 個中心的智能機器人抓取方法，A3 表示與電腦顯示器連接的實時人為語音操控的智能機器人抓取方法。實驗從心智要求、時間要求、消耗精力 3 種抓取工作量指標進行對比。結果顯示，G-AR 算法(A4)在不同心智指數下抓取完成度得分最高，數值為 78，表明其能適應複雜的積木狀態抓取;在不同的抓取耗時下失誤程度最低，數值為 44，說明在不同耗時下都有較高的抓取性能;在不同的精力消耗指數下完成積木抓取的程度最高，數值為 88，即不會因精力消耗增加而降低完成度，抓取性能穩定，高度適合兒童的益智遊戲開發。此外，為證明 BBMC 系統採用的算法優勢，引入了樸素貝葉斯模型(Naive Bayesian Model,NBM)進行消融實驗。結果表明，BBMC 系統所採用的 G-AR 與 RGRL 抓取算法在平均抓取用時、意圖理解率以及準確率方面的性能表現優於 NBM 模型。G-AR 算法平均抓取用時為 5.0264s，意圖理解率為 64.03%，準確率為 74.09%;NBM 模型平均抓取用時為 3.8611s，意圖理解率為 65.65%，準確率僅為 69.85%，說明 NBM 模型雖抓取速度較快，但抓取準確程度與人機配合程度較低;RGRL 算法平均抓取用時為 1.9784s，意圖理解率為 94.68%，準確率為 76.05%，抓取性能較為優越;BBMC 系統使用的結合算法平均抓取用時為 0.8905s，意圖理解率為 98.89%，準確率為 96.77%，能夠以最準確的意圖理解率快速進行抓取，並保持較高的抓取準確率，適應低齡兒童的抓取意圖。

  總結

  隨著AR技術在兒童益智遊戲領域的逐步成熟，遊戲類型日益智能化。然而，AR 智能機器人系統與玩家配合過程中常出現分歧，影響遊戲體驗。通過開發基於 AR 技術的疊疊樂積木兒童益智遊戲 BBMC，並運用 G-AR 技術決策積木塊抓取位置，藉助 RGRL 模型優化抓取過程，取得了顯著成果。RGRL 抓取算法抓取靜止物體成功率峰值達 91.10%，谷值為 70.11%;抓取非靜止物體準確率峰值為 83.40%，谷值為 66.90%，對不同狀態下的積木成功抓取率均較高。G-AR 算法在不同的抓取耗時下失誤程度最低，為 44，在不同耗時下保持較高抓取性能。與 NBM 模型相比，BBMC 系統使用的結合算法在平均抓取用時、意圖理解率和準確率方面表現更優，平均抓取用時為 0.8905s，意圖理解率為 98.89%，準確率為 96.77%，能準確理解玩家抓取意圖，並快速適應不同抓取狀態。這為智能化兒童益智遊戲的創新設計提供了重要參考。但目前研究僅針對較少參與玩家的抓取意圖進行實驗，未來可進一步測試更複雜多變的抓取意圖，推動兒童益智遊戲行業向更高水平發展。

更多益智遊戲行業研究分析，詳見中國報告大廳《益智遊戲行業報告匯總》。這裡匯聚海量專業資料，深度剖析各行業發展態勢與趨勢，為您的決策提供堅實依據。

更多詳細的行業數據盡在【資料庫】，涵蓋了宏觀數據、產量數據、進出口數據、價格數據及上市公司財務數據等各類型數據內容。