在数字化浪潮的持续推动下，2025年的益智游戏行业正经历着深刻的技术变革。儿童益智游戏作为儿童成长中不可或缺的辅助工具，借助新兴技术展现出了巨大的发展潜力。手机、平板、电脑等智能设备的普及，为儿童接触益智游戏提供了便利。特别是增强现实(AR)技术的应用，让益智游戏的形式和体验得到了极大丰富。然而，AR 技术在实际应用中也暴露出一些问题，这促使行业不断探索创新，以提升儿童益智游戏的品质和用户体验。

  一、基于凝视与增强现实的儿童益智游戏交互技术革新

  益智游戏旨在全面锻炼儿童的思维、记忆、反应速度以及逻辑推理等认知技能。AR 技术的出现，为益智游戏带来了新的生机，它能够实时计算摄像机影像的角度与位置，并添加新的图像信息，为儿童创造出更加沉浸式的游戏体验，增强了游戏的互动性和趣味性。

  但传统 AR 技术在物体抓取方面存在不足，缺乏真实的实物抓取感，影响了玩家的沉浸式体验。为解决这一问题，行业推出了 G-AR 算法。该算法通过图像检测识别可能的抓取位置，并利用增强现实技术呈现这些位置，玩家可通过凝视主观选择最优抓取位置。G-AR 算法主要包含智能机器人主观交互、G-AR 抓取点决策、待抓取点位检测这三个关键模块。其运行过程为：输入凝视位置、RGB 深度图像与彩色图像，借助 RGB 图像经 YOLOv5 网络确定候选抓取位置，当候选位置数量大于等于 1 时，将其输出至成像软件。

  在实际应用中，通过微软 HoloLens 2 将待抓取位置的点位及角度以 AR 形式呈现在玩家眼前。在确定抓取目标的点位和角度时，考虑到抓取物体通常存在至少 4 种位置情况，即抓取位置向下未遮挡目标、在目标下方、在目标中间、覆盖目标。将这 4 种情况构建进混合现实装备中，每个待抓取位置的目标模型都设计为可交互实体模型，方便玩家凝视并筛选出最佳抓取位置。经过筛选，一般选择无遮挡向上的抓取角度，将目标平放在玩家手掌，随后对该角度下的目标位置进行扫描检测，检测后的目标抓取点以 AR 形式呈现。若玩家对智能机器人决策出的抓取范围不满意，可再次扫描，直至双方决策一致，此时便可进行目标抓取。

  二、基于改进智能机器人抓取算法的儿童益智游戏交互辅助升级

  《2025-2030年全球及中国益智游戏行业市场现状调研及发展前景分析报告》指出，在儿童益智游戏中，智能机器人系统在抓取目标时，需精准移动至目标抓取点正上方，同时避免对抓取目标造成破坏以及误伤玩家。为此，行业提出了基于 DDQN 改进的强化学习智能机器人抓取优化算法 RGRL。该算法通过获取玩家手的位置、抓取目标的大小，以及抓取目标与手部的位置、角度关系，实现精准抓取。

  三、基于凝视与增强现实的儿童益智游戏测试成效显著

  为验证改进后的 G-AR 与 RGRL 算法在目标物体抓取识别方面的优势，行业开发了智能机器人协助搭建儿童积木运行系统(BBMC)。该系统的儿童积木玩法借鉴自叠叠乐积木塔，先将木块三根一层交错叠高成塔，然后玩家轮流掷骰子决定抽取木块，并将抽取的木块放置在木塔顶层，若在抽取和放置木块过程中木塔倒塌则游戏失败。

  在 BBMC 系统中，智能机器人为实现成功抓取，需在仿真场景里寻找最佳移动路径。为验证 RGRL 算法对智能机器人抓取准确程度的影响，进行了仿真实验。实验以一个完整的抓取流程(episode)为迭代指标，次数上限设为 5000，每经过 200 次记忆迭代相当于在仿真场景中的 200 次准确抓取测试。实验同时引入了不考虑抓取过程中失误及成本的抓取算法(Fixed Motion Path,FMP)，并将其与 RGRL 算法的成功抓取准确率进行对比。结果显示，RGRL 抓取算法对静止目标的抓取成功率远高于 FMP 抓取算法。RGRL 算法的抓取成功率均高于 70%，且成功率曲线呈上升趋势，峰值出现在第 8 位操控者处，数值为 91.10%，谷值出现在第 1 位操控者处，数值为 70.11%，差值为 20.99%;而 FMP 算法的成功率峰值出现在第 3 位操控者处，数值为 38.77%，谷值出现在第 2 位操控者处，数值为 16.10%，差值为 22.67%，RGRL 算法抓取准确率相比 FMP 算法高出 52.33%。对于非静止目标，RGRL 抓取算法的成功率同样远超 FMP 抓取算法。RGRL 算法成功率峰值出现在第 6 位操控者处，数值为 83.40%，谷值出现在第 1 位操控者处，数值为 66.90%，差值为 16.50%;FMP 算法成功率峰值出现在第 3 位操控者处，数值为 40.02%，谷值出现在第 7 位操控者处，数值为 23.33%，差值为 16.69%，RGRL 算法抓取准确率相比 FMP 算法高出 43.38%。这表明 RGRL 算法对不同状态下的积木成功抓取率高，准确抓取效率更适配低龄化儿童的游戏设计。

  为验证 G-AR 算法能更高效地决策出积木块最佳抓取位置，开展了相关实验，并引入 3 种智能机器人辅助方法(A1 - A3)进行对比。A1 表示完全自主抓取的智能机器人，A2 表示将单个积木块分为上下左右中 5 个中心的智能机器人抓取方法，A3 表示与电脑显示器连接的实时人为语音操控的智能机器人抓取方法。实验从心智要求、时间要求、消耗精力 3 种抓取工作量指标进行对比。结果显示，G-AR 算法(A4)在不同心智指数下抓取完成度得分最高，数值为 78，表明其能适应复杂的积木状态抓取;在不同的抓取耗时下失误程度最低，数值为 44，说明在不同耗时下都有较高的抓取性能;在不同的精力消耗指数下完成积木抓取的程度最高，数值为 88，即不会因精力消耗增加而降低完成度，抓取性能稳定，高度适合儿童的益智游戏开发。此外，为证明 BBMC 系统采用的算法优势，引入了朴素贝叶斯模型(Naive Bayesian Model,NBM)进行消融实验。结果表明，BBMC 系统所采用的 G-AR 与 RGRL 抓取算法在平均抓取用时、意图理解率以及准确率方面的性能表现优于 NBM 模型。G-AR 算法平均抓取用时为 5.0264s，意图理解率为 64.03%，准确率为 74.09%;NBM 模型平均抓取用时为 3.8611s，意图理解率为 65.65%，准确率仅为 69.85%，说明 NBM 模型虽抓取速度较快，但抓取准确程度与人机配合程度较低;RGRL 算法平均抓取用时为 1.9784s，意图理解率为 94.68%，准确率为 76.05%，抓取性能较为优越;BBMC 系统使用的结合算法平均抓取用时为 0.8905s，意图理解率为 98.89%，准确率为 96.77%，能够以最准确的意图理解率快速进行抓取，并保持较高的抓取准确率，适应低龄儿童的抓取意图。

  总结

  随着AR技术在儿童益智游戏领域的逐步成熟，游戏类型日益智能化。然而，AR 智能机器人系统与玩家配合过程中常出现分歧，影响游戏体验。通过开发基于 AR 技术的叠叠乐积木儿童益智游戏 BBMC，并运用 G-AR 技术决策积木块抓取位置，借助 RGRL 模型优化抓取过程，取得了显著成果。RGRL 抓取算法抓取静止物体成功率峰值达 91.10%，谷值为 70.11%;抓取非静止物体准确率峰值为 83.40%，谷值为 66.90%，对不同状态下的积木成功抓取率均较高。G-AR 算法在不同的抓取耗时下失误程度最低，为 44，在不同耗时下保持较高抓取性能。与 NBM 模型相比，BBMC 系统使用的结合算法在平均抓取用时、意图理解率和准确率方面表现更优，平均抓取用时为 0.8905s，意图理解率为 98.89%，准确率为 96.77%，能准确理解玩家抓取意图，并快速适应不同抓取状态。这为智能化儿童益智游戏的创新设计提供了重要参考。但目前研究仅针对较少参与玩家的抓取意图进行实验，未来可进一步测试更复杂多变的抓取意图，推动儿童益智游戏行业向更高水平发展。