osu-droid难度算法实现剖析：Aim、Speed与Reading技能模型深度解析

osu-droid难度算法实现剖析：Aim、Speed与Reading技能模型深度解析

【免费下载链接】osu-droid项目地址: https://gitcode.com/gh_mirrors/os/osu-droid

osu-droid 是开源社区广受欢迎的 osu! Android 移植版，其自研的难度算法堪称评价谱面难度与玩家水平的"大脑"：通过 Aim、Speed、Reading 等技能模型，把一张包含数百个音符的谱面，压缩成一个直观的星数与对应的 pp 值。这篇难度算法深度解析将从源码视角，一步步拆解这套技能模型的计算流程与设计思想。

一、难度算法整体架构：一条从谱面到星数的流水线

osu-droid 的难度计算入口是DroidDifficultyCalculator，它遵循经典的 osu! 难度算法三阶段流程：

1. 预处理：把谱面物件包装成DroidDifficultyHitObject，归一化距离、计算时间间隔与角度。
2. 技能建模：创建多套"技能"并行打分，每套技能独立评估谱面的某一维度负担。
3. 汇总换算：把技能得分加权组合成 base performance，再开立方得到最终星数（Star Rating）。

其中技能创建逻辑非常直观（createSkills）：默认创建DroidAim（带滑条与不带滑条两份）、DroidRhythm、DroidTap；开启 Flashlight 模组时追加DroidFlashlight；DroidReading则始终参与计算。最终星数公式为：

starRating = cbrt(basePerformance * FINAL_MULTIPLIER)

其中basePerformance由 Aim、Tap、Cognition（Reading 与 Flashlight 的合成）通过范数（norm）加权得到。相关源码位于src/com/osudroid/difficulty/calculator/DroidDifficultyCalculator.kt。

二、Aim技能模型：把"瞄准"拆成 Snap、Agility 与 Flow

Aim 技能（DroidAim）是整个难度算法中最复杂的模块，它继承自可感知滑条长度的VariableLengthStrainSkill，将"瞄准"拆成三个正交维度：

• Snap（点按瞄准）：评估相邻物件间的跳跃距离与角度，DroidSnapAimEvaluator会奖励锐角、广角与快速转向，并对重复角度做削弱处理。
• Agility（敏捷）：评估光标速度的突变率，衡量连续快速转向的负担。
• Flow（顺滑）：评估流线型连续滑动的难度，主要作用于串（stream）段落。

三个维度分别乘以 70.9、2.35、242 的权重后，再通过 logistic 函数计算"该音符更偏向 Snap 还是 Flow"的概率，加权求和得到当前物件的难度值。此外，Aim 还会记录每个滑条的速度（travelDistance / travelTime），用于统计"困难滑条"占比，这与结算面板上的滑条系数直接相关。

每个技能都有一套应变衰减模型，Aim 的衰减系数为0.2^(ms/1000)，即 1 秒内难度记忆衰减到 20%；同时它会将前 4 秒内的最高应变按 20ms 分块削减，避免极端难度尖峰过度抬高整张谱面的星数。核心实现见src/com/osudroid/difficulty/skills/DroidAim.kt。

三、Speed（Tap）技能模型：BPM、节奏与三指检测

Speed 技能在 osu-droid 中名为DroidTap，属于谐波求和类技能（HarmonicSkill），衡量玩家跟上击打速度的能力。其评估器DroidTapEvaluator的核心公式非常简洁：

strain = speedBonus * 1000 / strainTime

• BPM 加成：当音符间隔对应的 BPM 超过 200 时（MIN_SPEED_BONUS = 200），通过误差函数逐步放大难度，200 BPM 以上每提速一点都极其"昂贵"。
• 连点削权：利用doubletapness（连点程度）识别可以被"双指连打"糊过去的段落并降低其难度，这就是常说的反作弊（cheesability）设计。
• 节奏调制：每个音符的 Tap 难度还会乘上DroidRhythm提供的节奏倍率，节奏越难（如变速、切分音）倍率越高。

值得一提的是，osu-droid 还内置了三指速段检测：当 Tap 应变连续超过阈值 175 且物件数不少于 5 个时，会标记为"可能三指速打"的段落（possibleThreeFingeredSections），这一信息会进入 pp 计算用于识别移动端特有的作弊手段。相关实现见src/com/osudroid/difficulty/skills/DroidTap.kt与DroidTapEvaluator.kt。

四、Reading技能模型：信息密度与 AR 的阅读负担

Reading 技能（DroidReading）是 osu-droid 相对原版 osu! 的特色模块，专门衡量"读图"难度，其评估器DroidReadingEvaluator在 3000ms 的"阅读窗口"内综合四类负担：

• 音符密度：统计当前物件出现时与需要点击时可见的物件数量，密度越高越难读。
• AR 预判：以 AR 9.66（500ms preempt）为起点，approach rate 越高、反应时间越短，preempt 难度呈 2.5 次方增长。
• Hidden 加成：开启 Hidden 模组时按 0.28 系数放大阅读难度，并额外奖励"完美堆叠"（前一个音符点击时当前音符完全不可见）的段落。
• 恒定角度削弱：检测相似角度的反复出现，连续同角度的物件会显著降低阅读难度（熟能生巧）。

此外，Reading 还模拟了人类"前几秒背谱"的行为：谱面前 60 秒内的音符难度会被按对数曲线削减（applyDifficultyTransformation），这与我们"第一遍打谱难、越打越简单"的直觉完全吻合。核心实现见src/com/osudroid/difficulty/evaluators/DroidReadingEvaluator.kt。

五、汇总换算：技能值如何变成星数与 PP

当各技能完成打分后，DroidDifficultyAttributes会收集 Aim、Tap、Rhythm、Flashlight、Reading 五类难度值，以及"困难应变数""困难滑条数""可能三指段"等辅助统计量。随后：

1. 难度 → 性能：HarmonicSkill.difficultyToPerformance采用4 × difficulty³的换算（StrainSkill 类也有对应的换算函数），把技能值映射为性能值。
2. 性能 → 认知合成：Reading 与 Flashlight 先合成cognition（光源对读图的影响按比例压缩）。
3. 最终星数：Aim、Tap、Cognition 三者通过 norm 组合后再开立方，得到与玩家直觉高度一致的星数；这个星数连同难度属性一起喂给DroidPerformanceCalculator，最终算出 pp。

整套换算链条都封装在src/com/osudroid/difficulty/attributes/与src/com/osudroid/difficulty/calculator/目录下，属性类与计算器分离的设计让二次开发十分清爽。

六、如何自行调试与二次开发这套难度算法

如果你也想动手研究这套难度算法，可以在本地克隆仓库后直接阅读与修改：

git clone https://gitcode.com/gh_mirrors/os/osu-droid

推荐三个探索入口：

• 实时调试：src/com/osudroid/debug/DebugPlaygroundScene.kt提供了难度计算的调试场景，可直观看到各类技能值的变化。
• 批处理入口：src/com/osudroid/beatmaps/DifficultyCalculationManager.kt负责对谱面库批量计算难度。
• 单元测试：tests/test/kotlin/com/osudroid/下保留了 83 个测试文件，覆盖了技能评估器与换算公式的边界情况，修改算法后跑一遍测试即可验证效果。

对于想给 osu-droid 贡献新模组难度加成、或复刻这套移动端难度算法的开发者来说，从 Aim 的 Snap/Flow 概率模型与 Reading 的密度窗口这两个最有"移动端特色"的部分入手，是最快理解整套设计精髓的路径。

结语

通过这次对 osu-droid 难度算法的剖析可以看到，它并非简单照搬桌面版 osu!，而是在 Aim 中引入 Snap/Agility/Flow 三维拆分、在 Speed 中加入三指检测、在 Reading 中构建信息密度窗口，处处体现着对"手指触屏操作"这一场景的针对性建模。理解这套技能模型，不仅能帮你读懂星数与 pp 背后的逻辑，更能为移动端音游的难度设计提供一份高质量的参考样本。

【免费下载链接】osu-droid项目地址: https://gitcode.com/gh_mirrors/os/osu-droid