🏎️ 競速遊戲心流模型完整研究 Racing Flow Model v3.2

§1. 研究目標與框架

1.1 使命

「如何讓玩家從第一秒開始，一直到終點，都保持興奮、緊張、投入，並願意再投一次幣？」

1.2 定位

本報告建立公司自己的競速遊戲心流模型（Racing Flow Model）。不只完成一款遊戲，而是建立可重複使用的設計知識體系。

1.3 六大心流系統

1.4 研究方法

採用 Flow Curve 分析法：每10秒標記玩家情緒狀態（緊張 T / 放鬆 R / 挫折 F / 興奮 E / 成就 A），建立完整的玩家情緒曲線，作為設計優化的依據。

1.5 研究定位

本報告為設計假說文件（Design Hypothesis Document）。所有設計建議均為待驗證假說，需經原型測試與 A/B 實驗確認後方可視為有效結論。

§2. 心流理論核心

2.1 心流觸發條件

2.1.1 心流理論核心框架

Csikszentmihalyi（1990）定義心流（Flow）為一種「最優體驗」（optimal experience）狀態，個體完全沉浸於活動中，感受到高度專注、愉悅與內在動機。根據其理論，心流由以下九個維度構成：

出處：Csikszentmihalyi, M. (1990). *Flow: The Psychology of Optimal Experience*. Harper & Row.

2.1.2 遊戲中的心流：GameFlow 模型

Sweetser & Wyeth（2005）提出 GameFlow 模型，將心流理論轉化為遊戲設計的八個評估要素。注意：GameFlow 為設計啟發框架（heuristic framework），非經心理計量驗證的測量量表。 若需實證測量，建議使用 EGameFlow（Fu et al., 2009，經CFI=0.92驗證）或 FSS-2（Jackson & Eklund, 2002）。

GameFlow 八要素：

• 專注力（Concentration）：遊戲需提供足夠刺激維持注意力
• 挑戰（Challenge）：適配玩家能力且持續變化
• 技能（Skills）：漸進學習，讓玩家感覺在進步
• 控制感（Control）：操控回應快速且可預測
• 明確目標（Clear Goals）：隨時知道下一步該做什麼
• 回饋（Feedback）：即時、多感官的結果回饋
• 沉浸感（Immersion）：深度投入，忘記外部世界
• 社交互動（Social Interaction）：競爭或合作的社交元素

出處：Sweetser, P., & Wyeth, P. (2005). GameFlow: A model for evaluating player enjoyment in games. *ACM Computers in Entertainment*, 3(3), Article 3A.

2.1.3 遊戲心流的設計方法論：Chen 的 Flow Zone

Jenova Chen（2007）在其碩士論文中提出遊戲心流設計的關鍵方法：

• 擴大心流區域（Flow Zone）：透過多重難度路徑讓不同技能的玩家都能找到心流
• 動態心流體驗（Dynamic Flow Experience）：在遊戲進程中動態調整挑戰，維持心流
• 玩家選擇權（Player Choice）：讓玩家自行選擇難度，而非系統強制指定

出處：Chen, J. (2007). *Flow in Games (and Everything Else)*. Communications of the ACM, 50(4), 31-34.

Chen, J. (2006). *Flow in Games*. MFA Thesis, University of Southern California.

2.1.4 街機競速遊戲的具體觸發設計

基於上述理論，以下為競速遊戲觸發心流的具體設計元素：

技能-挑戰平衡的實現

動態難度調整（DDA）是競速遊戲維持技能-挑戰平衡的核心手段。其中橡皮筋系統（Rubber-banding）是最廣泛應用的DDA技術：

• AI對手速度根據玩家表現動態調整
• 領先時對手加速追趕；落後時對手減速等待
• 目標：維持「接近但可贏」的緊張感

Li et al.（2022）改進了傳統橡皮筋系統的適應性，結合玩家行為數據實現更精細的難度調整。Zohaib（2018）的綜述指出，DDA對享受感（enjoyment）、心流（flow）、動機（motivation）和沉浸感（immersion）有顯著正面效果。

出處：

• Li, Y. et al. (2022). Adaptive rubber-banding system of dynamic difficulty adjustment in racing games. *ICGA Journal*, 44(2).
• Zohaib, M. (2018). Dynamic Difficulty Adjustment (DDA) in Computer Games: A Review. *Advances in Human-Computer Interaction*, 2018, 5681652.

即時回饋系統

競速遊戲的回饋應多層次、多感官：

明確目標的層次設計

2.1.5 產品應用建議

Anti-gaming 防逆向利用：FlowIndex 驅動的 DDA 比傳統DDA更不易被逆向利用（故意失誤→AI變弱）。原因：(1) FlowIndex 基於「操控模式」而非「輸贏」，故意亂打方向盤導致高抖動度→系統判定焦慮而非「太強」；(2) DDA 調整採 3-5秒 ramp-up，故意失誤的短期「收益」極低；(3) 街機付費環境下，玩家無動機浪費時間故意失誤。

2.2 心流中的玩家反應

2.2.1 生理反應

2.1.1 心率與心率變異度（HR/HRV）

Tian et al.（2017）的研究發現，心流狀態與以下生理指標相關：

• 適度心率（Moderate HR）：不是最高也不是最低，而是中等水平
• 適度心率變異度（Moderate HRV）：反映自主神經系統的平衡狀態
• 較快呼吸頻率：注意力集中的自然反應
• 較深呼吸深度：放鬆但專注的身體狀態

Bian et al.（2016）進一步建構了VR遊戲心流的生理指標框架，確認心率（HR）、心跳間期（IBI）、心率變異度（HRV）、低頻HRV（LF-HRV）、高頻HRV（HF-HRV）和呼吸頻率都是預測心流的有效指標。

出處：

• Tian, Y. et al. (2017). Physiological Signal Analysis for Evaluating Flow during Playing of Computer Games of Varying Difficulty. *Frontiers in Psychology*, 8, 1121.
• Bian, Y. et al. (2016). A framework for physiological indicators of flow in VR games: construction and preliminary evaluation. *Personal and Ubiquitous Computing*, 20(5), 821-832.

關鍵發現：心流不是「高度興奮」，而是一種適度激活（moderate arousal）的狀態 — 介於放鬆與緊張之間的「甜蜜點」。

2.1.2 皮膚電導反應（EDA/GSR）

Nacke et al.（2010）的「情感遊戲學」（Affective Ludology）研究中：

• 以 Half-Life 2 修改版為實驗平台
• 設計了三個關卡：心流關卡、沉浸關卡、無聊關卡
• 心流關卡結果：高喚醒正向情緒、適度EDA升高
• 證實遊戲設計可以系統性地誘導特定情感狀態

出處：Nacke, L.E., Stellmach, S., & Lindley, C.A. (2010). Affective Ludology: Flow and Immersion in a First-Person Shooter: Measurement of Player Experience. *arXiv:1004.0248*.

Peifer et al.（2021）指出：皮膚電導在部分但非所有心流體驗中升高，這取決於挑戰類型（身體 vs 認知）。

2.1.3 瞳孔直徑

Lu, van der Linden, & Bakker（2023）的關鍵發現：

• 瞳孔直徑隨主觀任務難度呈倒U型曲線
• EEG P300振幅也呈倒U型
• 這支持心流與藍斑-去甲腎上腺素（LC-NE）系統的相位活動有關
• 心流時LC-NE系統處於「相位模式」（phasic mode）— 對任務相關刺激高度敏感

出處：Lu, H., van der Linden, D., & Bakker, A.B. (2023). Changes in pupil dilation and P300 amplitude indicate the possible involvement of the locus coeruleus-norepinephrine (LC-NE) system in psychological flow. *Scientific Reports*, 13, 1908.

2.1.4 肌肉緊張（EMG）

Nacke et al.（2010）的EMG數據顯示：

• 心流關卡中的面部肌電圖顯示正向情感（顴大肌活動增加）
• 非負面緊張的肌肉模式
• 與「高喚醒正向情緒」模式一致

2.2.2 心理反應

2.2.1 時間知覺扭曲

Lemmens et al.（2025）進行了VR遊戲的時間知覺實驗：

• 實驗設計：三種難度條件（簡單/中等/困難），中等為心流條件
• 關鍵結果：心流條件（中等挑戰）中，玩家感知50秒間隔顯著比其他兩組更短
• 結論：心流狀態確實伴隨「時間加速」的主觀體驗

出處：Lemmens, J.S., Clark, F.E., & Taylor, A. (2025). Time flies when you're having flow: An experiment on time perception and challenge in a VR game. *Computers in Human Behavior Reports*, 18, 100664.

這與 Csikszentmihalyi 的「時間感扭曲」維度完全一致。在街機競速的3-5分鐘比賽中，成功進入心流的玩家應該會感覺「時間不夠」而非「太長」。

2.2.2 自我意識消失與專注

van der Linden et al.（2021）的神經科學模型指出：

• 心流伴隨自我參照思維（self-referential thinking）降低
• 前額葉皮層（PFC）的「暫態低活性」（transient hypofrontality）
• 注意力資源完全投入任務，無餘力進行自我監控
• 這解釋了為什麼心流中人們「忘記自己」

出處：van der Linden, D., Tops, M., & Bakker, A.B. (2021). The Neuroscience of the Flow State: Involvement of the Locus Coeruleus Norepinephrine System. *Frontiers in Psychology*, 12, 645498.

2.2.3 行為反應

2.3.1 操作精確度

心流狀態下的行為特徵：

• 反應時間下降：LC-NE系統的相位模式促進對任務刺激的快速反應
• 操作穩定性提升：動作自動化，減少不必要的修正
• 最佳表現輸出：心流與表現的正相關已被系統性回顧確認

Harris et al.（2021）的系統性回顧與元分析確認：心流狀態與表現有顯著正相關。

出處：Harris, D.J., Allen, K.L., Vine, S.J., & Wilson, M.R. (2021). A systematic review and meta-analysis of the relationship between flow states and performance. *International Review of Sport and Exercise Psychology*, 16(1), 693-721.

2.3.2 在競速遊戲中的行為指標

2.2.4 產品應用建議

§3. 操控心流 Control Flow

核心問題：車是否好開、好玩？玩家能否在首局 30 秒內建立操控信心？

3.1 操控信心建立：首局 30 秒的設計

為什麼「前 30 秒」是關鍵？

街機投幣後、手遊下載後第一場——玩家在前 30 秒決定「我要不要繼續玩」。如果方向盤（或搖桿/觸控）的反應讓人覺得「車不聽話」，心流永遠無法啟動。

信心建立的四階段模型

設計清單：確保前 30 秒信心建立

不同平台的「首次信心」策略

3.2 輸入裝置特性（精簡版）

各裝置操控特性一覽

延遲預算（所有平台共通）

搖桿靈敏度曲線速查

靈敏度曲線（γ 值）= 搖桿推多少 ÷ 車轉多少 的對應關係。

3.3 Vehicle Dynamics 基礎

即使是非擬真遊戲，也需要理解這些概念——然後決定「保留多少真實、誇張化多少」。

六大核心概念白話解釋

1. Weight Transfer（重心轉移）

白話：踩煞車時車頭會「點頭」（前面變重、後面變輕），加速時車屁股下沉（後面變重）。轉彎時外側變重、內側變輕。

對遊戲設計的意義：

• 煞車→前輪抓地力增加→前輪可以轉更多而不打滑
• 加速→後輪抓地力增加→後驅車加速更穩
• 急轉→外側輪負荷增加→內側輪可能浮起

非擬真遊戲怎麼處理：

2. Grip（抓地力）

白話：輪胎和路面之間的「摩擦力」。抓地力用完了=輪胎打滑=車子不聽話。

影響抓地力的因素：

非擬真遊戲怎麼處理：

3. Slip Angle（滑移角）

白話：輪胎「指向的方向」和「實際移動的方向」之間的夾角。想像你用力打方向盤向左，但車子還在微微往右滑——這個差距就是滑移角。

關鍵知識：

• 滑移角 0° = 輪胎完全按照你指的方向走
• 滑移角 2–8° = 最大抓地力（輪胎被「搓」著走但還在掌控中）
• 滑移角 >10° = 開始滑動（漂移的起點）
• 滑移角 >30° = 完全失控

對遊戲設計的意義：

• 模擬遊戲會精確模擬滑移角——你「感覺得到」輪胎在極限邊緣
• 街機遊戲通常簡化：要嘛抓住、要嘛漂移，中間狀態少

非擬真遊戲怎麼處理：

4. Drift（漂移/甩尾）

白話：後輪失去抓地力，車子用「側滑」的方式過彎。在真實世界通常更慢（除了拉力賽），但在遊戲中被設計成「有獎勵的技巧動作」。

漂移的物理觸發方式：

非擬真遊戲怎麼處理：

5. Suspension（懸吊）

白話：連接車身和輪子的彈簧系統。決定車身晃不晃、過減速丘會不會彈飛。

對遊戲操控的影響：

非擬真遊戲：通常只保留「視覺上」的懸吊動態（車身過彎傾斜、過坎起伏），不讓它影響操控邏輯。

6. Tire（輪胎）

白話：車子唯一接觸地面的部分。所有的加速、煞車、轉向——都透過輪胎的摩擦力傳達。輪胎是「操控的最終瓶頸」。

輪胎的「摩擦圓」概念：

想像每顆輪胎有一個圓形的「能力值」：

• 全部用來加速 → 不能轉向
• 全部用來轉向 → 不能加速
• 邊轉向邊加速 → 兩者共享圓的面積

        轉向力 ↑
              │  ╱●（同時加速+轉向：
              │╱     可用但各自減少）
    ─────────┼─────────→ 加速力
              │
              │

非擬真遊戲怎麼處理：

「保留 vs 誇張化」設計決策表

3.4 漂移系統設計

漂移在心流中的角色

漂移是「操控心流的高潮觸發器」——它同時滿足心流的所有條件：

三級漂移系統設計

漂移回饋設計清單

漂移賽道設計參數（快速參考）

3.5 操控輔助等級與漸退

六級輔助系統

輔助漸退（Fading Assistance）設計

核心概念：玩家不應該永遠待在 L4。好的設計會隨著玩家進步「悄悄降低輔助」。

漸退的關鍵：永遠不能突然變難。降低幅度每次不超過一級，且只在玩家表現穩定時觸發。

輔助的透明度原則

3.6 玩家類型適配

四類玩家的操控需求速查

同一款遊戲如何服務四種玩家

方法：用可調的操控輔助系統，讓同一台車、同一條賽道，對不同人呈現不同的「有效難度」。

3.7 評估指標

Control Flow 健康度指標

異常警報閾值

1. 前 30 秒決定一切：起步直線→大彎→首次加速，必須讓任何人覺得「車好開」

2. Vehicle Dynamics 不能無視：即使休閒遊戲也要保留「煞車利於轉向」和「摩擦圓限制」的底線概念——這是讓操控「有手感」的基礎

3. 漂移是操控心流的副歌：進入容易+維持有挑戰+回饋強烈=完美的心流高潮設計

4. 輔助要隱形且能漸退：新手不知道被幫、高手不覺得被限制、所有人都覺得「是自己開得好」

5. 用數據監控：撞牆率 <30%、漂移成功率 >60%、首圈完賽 >90% 是三個最關鍵的健康指標

§4. 競爭心流 Competition Flow

版本：v2.0

日期：2026-07-03

核心問題：NPC 如何創造有趣且公平的競爭？

評估指標：超車次數、名次變化頻率、終點差距分布

4.1 NPC AI 戰術設計原則：什麼樣的 AI 對手最有趣？

核心原則：AI 要像「剛好比你強一點的朋友」

最好的 AI 對手不是最強的，也不是最弱的，而是讓你覺得「靠，差一點就贏他了！」的那種。

學術依據：

• Csikszentmihalyi (1990) 的心流理論：挑戰必須略高於技能（約 4-8%），太高→焦慮，太低→無聊
• Yannakakis & Togelius (2018) 在《Artificial Intelligence and Games》中指出：玩家對 AI 的評價不在於「它有多聰明」，而在於「跟它玩有多有趣」
• AAAI 研究（Hingston, 2009）發現玩家更喜歡「有人味」的 AI，而非完美的最優路徑 AI

有趣 AI 的六大設計原則

場景例子

你正在追第 3 名的紅色跑車。你發現它每次過第 5 號彎都會走寬一點。第三圈時你故意從內側切入，完美超車！——這時你會覺得：「我研究出它的弱點了！」這就是「可讀性 + 有弱點可被利用」帶來的成就感。

4.2 Rubber Band 系統：追得緊但不作弊

什麼是 Rubber Band（橡皮筋 AI）？

像橡皮筋一樣：你跑太遠，AI 會被「拉」得更快追上來；你落後太多，AI 會慢下來等你。目的是讓比賽一直「有得看」。

隱性 vs 顯性：一線之隔

「公平感」的設計規則

• 永遠不讓 AI 做玩家做不到的事：AI 不能超出車輛物理極限
• 速度補正 ≤ 8%：超過 8% 玩家就會「感覺到」
• 漸進啟動（3秒 ramp-up）：不能突然從慢變快
• 有視覺解釋：AI 變快時配合「它走了更好的路線」的視覺暗示
• 雙向橡皮筋：玩家領先太多時 AI 追上來，但玩家落後太多時 AI 也會慢——這很關鍵，避免「我永遠贏不了」

學術依據

• Zohaib (2018) 的 DDA 研究指出：玩家對「隱性」難度調整的容忍度遠高於「顯性」調整
• Forza Horizon 6 (2026) 的爭議案例：玩家抱怨的不是 AI 太難，而是 AI 的速度「看起來不像正常駕駛能達到的」——可讀性崩壞

場景例子

你衝到第一名，領先第二名 2 秒。接下來 AI 開始走更好的路線（你能看到它抄了一個近道），差距慢慢縮小到 0.5 秒。最後一個彎你完美走線守住了！——這比「你永遠領先 5 秒、毫無懸念地贏」有趣一萬倍。

4.3 NPC 行為模式

四大戰術人格

故意留破綻的設計

核心概念：AI 不是「變弱」，而是「特定情境下有弱點」，讓玩家覺得是自己發現了機會。

具體做法：

• 特定彎道走寬：某些 AI 在某個彎道固定走外線，內側留給玩家切入
• 偶爾犯錯：每 30-45 秒有 10-15% 機率蹭牆或煞車過早
• 直線不防守：被追到很近時，直線段不會故意擋路
• 連續急彎減速：在技術路段 AI 稍慢，讓技術好的玩家在此超車

最後30秒反攻

為什麼重要：這是整場比賽情緒最高峰的設計。Weber et al. (2016) 證實節奏曲線在結尾加壓能製造更強心流。

做法：

• AI 速度提升 2-3%（在 rubber band 容許範圍內）
• 背景音樂 BPM 加快
• AI 車輛引擎聲音更響（暗示「它在追」）
• 但：AI 不會「保證追到」，只是讓最後一刻更緊張

4.4 如何讓 NPC 看起來像真人

真人 vs 機器人 AI 的差異

NPC 個性系統

學術依據：Hingston (2009) 的 Turing Test 研究發現，添加「個性參數」（激進度、犯錯率、反應延遲）的 AI 被判定為「更像人類」的機率提高 40%。

4.5 超車戲劇性設計

超車是競速遊戲的「核心爽感」

每次成功超車 = 一次微型心流高潮。設計目標：每 15-25 秒至少有一次超車（自己超人或被超）。

差距控制原則

超車三幕劇

一次完美超車的設計節奏：

幕1「接近」（3-5秒）
  你在直線上追上前方車輛，差距從1.5秒縮小到0.5秒
  → 期待感上升

幕2「纏鬥」（5-8秒）
  並排跑2-3個彎道，互相擠壓、你進我退
  → 緊張感最高

幕3「決勝」（1-2秒）
  你在某個彎道成功切入，拉開距離！
  → 成就感爆發！

逆轉設計

最令人難忘的比賽不是「一直第一名」，而是「從第五追到第一」。

設計策略：

• 起跑時讓玩家排在第 3-5 名（而非第一）
• 設計 2-3 次超車機會，讓玩家有「逆襲」的敘事感
• 最後一個名次的超車要最難，配合最大的情緒釋放

4.6 多人對戰的競爭心流

人 vs 人：天然的心流觸發器

真人對手是最強的心流催化劑——因為你永遠無法完全預測他們。

技能差距的處理

學術依據

• Ryan, Rigby & Przybylski (2006)：Self-Determination Theory 中的「關聯感（relatedness）」——與他人一起玩天然提升動機
• 競爭本身就滿足「勝任感（competence）」需求，但前提是競爭必須「公平且有機會贏」

4.7 評估指標

核心指標

次要指標

• 被超後 10 秒內追回的比率（AI 回應性）
• 不同 AI 個性的被超/超車比率分布（確保多樣性）
• 玩家「最後一名完賽」的比率（太高=AI太強或不夠有趣到中途放棄）

好的 AI 對手不是「最強的」，而是「最有趣的對手」。它要像一個水準剛好比你高一點的朋友：會犯錯讓你找到機會、會在你超過它之後追上來、會在最後一刻製造驚險。Rubber band 可以用但要「隱性」——速度補正不超過 8%、漸進啟動、永遠不做玩家做不到的事。最終目標是讓每場比賽有 5-8 次超車，最後三台車在終點線差距不到 1 秒，讓玩家覺得「好險贏了！」或「差一點就贏了！再來一局！」

§5. 賽道心流 Track Flow

核心問題：每 30 秒是否都有新的刺激？賽道節奏能否讓玩家從頭到尾保持投入？

5.1 賽道類型

繞圈式（Circuit）vs 開放式（Point-to-Point）

設計建議：兩者兼備。繞圈式做排位和深度玩法，開放式做首次體驗和活動關卡。

心流觸發差異

• 繞圈式的心流來自「掌握感」——第 1 圈探索、第 2 圈修正、第 3 圈流暢。圈速每圈快 1–3 秒就是心流的證據。
• 開放式的心流來自「節奏感」——精心設計的張力波形，讓玩家在不斷的「新刺激」中保持投入。需要更多操控輔助來補償不熟悉感。

5.2 節奏設計：「每 30 秒是否有新刺激」

節奏的本質

賽道節奏 = 張力的起伏。像音樂有副歌和間奏，賽道有高壓段和恢復段。

Weber et al.（2016）的關鍵發現：動態波動的節奏比恆定平衡產生更多心流。不是「一直很難」最好，而是「有起有伏」最好。

三段式節奏架構

「每 30 秒新刺激」的檢查法

把賽道切成每 30 秒一段，問自己：

如果任何 30 秒內「什麼新東西都沒有」=節奏斷裂=心流中斷風險。

張力循環的節拍

最佳循環週期：8–15 秒一個「蓄力→爆發」

 直線（蓄力 3–5s）→ 彎道（挑戰 3–5s）→ 出彎加速（釋放 2–3s）
       😊 放鬆              😤 緊張              😆 爽！

每場比賽由 4–10 個這樣的循環組成，振幅逐漸增大。

5.3 三級難度佈局

繞圈式

開放式

難度遞進的核心變量

5.4 彎道設計

彎道類型與角色

彎道序列法則

• 不連續 3 個同方向 → 拇指疲勞+單調
• 急彎後必接恢復段（≥2–3s）→ 防焦慮
• 同 R 值至少用 2 次 → 建立肌肉記憶
• 首彎永遠是大彎 → 首次信心
• 最難彎在 70–80% 進程處 → 高潮位置

R 值標準化系統

建議為每條賽道定義 3–5 種標準 R 值，重複使用：

好處：玩家第一次遇到 Type-C，可能過得不太好。第二次就知道「這種彎要這樣過」。第三次→自動化→心流。

5.5 特殊元素：跳躍、捷徑、Risk-Reward

跳躍點（Ramp/Jump）

心流功能：製造「操控真空」→ 張力蓄積 → 落地恢復控制 = 瞬間掌控感爆表

跳台參數：

• 起飛角 15–30°（街機）/ 5–15°（模擬）
• 滯空 0.5–2.0s
• 蓄氣功能：滯空自動充填 Boost 10–20%
• 落地後 1–2s 不放高難度彎（給恢復時間）

捷徑（Shortcut）

Risk-Reward 設計的核心：捷徑更快，但更難通過。

捷徑入口設計原則：

• 入口要「看得到但不明顯」（視覺暗示而非箭頭）
• 決策時間 ≥1.5s（讓玩家來得及選擇）
• 錯過不會慌（主路線照樣能完賽）
• 首次遊玩不知道有捷徑也 OK（第二局才發現=重玩動機）

Risk-Reward 設計框架

5.6 視線引導

為什麼視線引導重要？

玩家如果「不知道該往哪開」=迷失感=掌控感歸零=心流中斷。

好的賽道設計讓玩家「自然地看向正確方向」，不需要思考路線。

Landmark 引導方向

定義：賽道旁邊或遠方的大型視覺地標，告訴你「往那邊開就對了」。

設計法則：

• 每條直線段盡頭，必須有一個視覺「目標點」
• 彎道入口前 2–3 秒處，必須能看到彎道的「出口方向」
• 不要讓玩家在任何時刻「看不出下一步往哪」

Corner 預判設計

問題：玩家來不及反應下一個彎→撞牆→挫折→心流中斷。

解決方案：預判視距

白話：時速 200 公里時，玩家至少要在 80 公尺前就「看到」下一個彎。否則來不及反應。

具體設計：

Shortcut 視覺暗示

捷徑不應該「明擺著」（否則不叫捷徑），但也不能「完全看不見」（否則沒人走）。

建議：首次遊玩不知道 OK，但第二次認真看應該能發現。加上排行榜中「用捷徑的人」成績明顯更好→激發探索慾。

「每 100 公尺情緒是否改變」的檢查法

這是內部手冊的核心理念。具體化為檢查表：

如果任何 100m 段落的答案都是「和前面一樣」→ 需要重新設計。

5.7 賽道×操控搭配

段落感知型操控調整

DDA（動態難度調整）與賽道段落的配合

鐵律：DDA 調整不可被玩家察覺。改物理參數（隱形）比改 AI 行為（可見）好。

碰撞恢復×賽道位置

5.8 評估指標

Track Flow 健康度指標

失誤熱區分析方法

[Heat Map 示意]

   🟢🟢🟢🟢🟡🟡🟡🟢🟢🔴🔴🔴🟢🟢🟡🟡🟢🟢🟢🔴🟢🟢🟢
   起跑    首彎    急彎    恢復    S彎    髮夾    衝刺
   
   🟢 = 碰撞率 <5%（正常）
   🟡 = 碰撞率 5–15%（需關注）
   🔴 = 碰撞率 >15%（需修正）

當出現 🔴 熱區時的對策：

節奏圖驗證

每種難度的節奏圖見：

• 簡單：rhythm-easy.svg
• 普通：rhythm-normal.svg
• 困難：rhythm-hard.svg

驗證標準：

• 波峰在 70–80% 進程處
• 波谷不為零（最低張力 ≥ 2/10）
• 每圈有 3–5 個完整循環
• 結尾有明確的「釋放→滿足」下降

1. 每 30 秒必須有新刺激：把賽道切成 30 秒段，如果任何一段「和前面一樣」就需要重設計

2. 節奏的本質是張力波形：8–15 秒一個循環，波幅漸增，最高峰在 70–80% 處

3. R 值標準化建立肌肉記憶：定義 3–5 種標準彎，重複使用，讓玩家在第 3 次遇到同一種彎時進入心流

4. 視線引導是「隱形的路標」：Landmark 指方向、路面變色預告彎道、彎前 80m+ 就要能看到出口

5. Risk-Reward 製造選擇感：捷徑快但危險、漂移冒險但有 Boost、貼線精準但可能擦牆——選擇本身就是掌控感

6. 用數據抓設計缺陷：碰撞熱區 >15% 就需要修正，完賽率 <90% 就是賽道太難，重玩率 >60% 才算優秀

5.9 賽道設計實務指南

版本: v1.0

日期: 2026-07-01

作者: 操控設計研究員

用途: 給賽道企劃的實務設計參考，含圖示範例

前置閱讀: track-controls-flow-report-v1.1.md（賽道×操控×心流白話版）

• A. 繞圈式 vs 開放式：兩種賽道的設計原則
• B. 三級難度佈局範例（含 SVG 俯視圖）
• C. 各元素設計指引
• D. 節奏圖

5.9.1 繞圈式 vs 開放式比較

繞圈式（Circuit）

定義：玩家在同一條封閉路線上重複跑多圈。起點=終點。

優勢：

• 玩家能明確感受「我進步了」（圈速一直在降）
• 設計效率高（一條路線重複利用）
• 適合排行榜/Time Attack 玩法
• 肌肉記憶快速累積 → 心流進入門檻低

劣勢：

• 多圈後可能感到重複/無聊
• 缺乏「接下來是什麼？」的期待感
• 難以製造敘事驚喜

開放式（Point-to-Point）

定義：從起點到終點的單程路線，不重複。每一段都是新的。

優勢：

• 每一段都新鮮，不會「背路」
• 適合敘事設計（從城市→山路→海岸=一段旅程）
• 可以設計「高潮遞增」的五幕結構
• 岔路/捷徑系統增加重玩價值

劣勢：

• 玩家無法預判下一段 → 新手容易「來不及反應」
• 需要更強的路線引導設計
• 無法靠重複建立肌肉記憶 → 心流需要其他機制觸發

心流觸發差異對比

設計建議：

• 新手友善的遊戲 → 繞圈式為主（讓他們有時間學路）
• 追求感官刺激的遊戲 → 開放式為主（持續新鮮轟炸）
• 最佳平衡 → 兩種都提供，繞圈式用於「練習/排位」，開放式用於「劇情/活動」

1. 繞圈式靠「重複→肌肉記憶→自動化」觸發心流，適合追求精進的玩家

2. 開放式靠「節奏設計+新鮮感+視聽衝擊」觸發心流，適合追求體驗的玩家

3. 繞圈式的心流門檻更低（第 2–3 圈就能進入），開放式需要更多操控輔助來補償不熟悉感

4. 理想的遊戲兩種都有：繞圈式做排位/練習，開放式做劇情/活動

5.9.2 三級難度佈局範例

B1. 繞圈式賽道

簡單難度

設計思路：

• 橢圓形基底，幾乎不用煞車也能過彎
• 大量直線讓新手享受速度感和使用氮氣
• 寬道確保碰撞不中斷體驗
• 重複的大彎讓手感快速建立

普通難度

設計思路：

• 中彎為主體，需要適度煞車和路線選擇
• S 彎群製造「節拍操控」心流區
• 跳台位於中段提供視覺高潮
• 漂移區搭配後方的髮夾彎，形成「漂移→急彎→出彎加速」的完整循環
• 急彎只有 2 個，作為「調味料」

困難難度

設計思路：

• 急彎密集（7 個），構成高壓技術挑戰
• 窄道段（14m）增加碰撞風險
• T7-T8-T9 三連技術段是全賽道最難點
• R=30m 髮夾彎是「終極考驗」——需要完美煞車+漂移
• 恢復段極短（僅大彎段一處），要求持續高度專注
• 只有高手能流暢跑完→心流門檻高但達成後極度滿足

B2. 開放式賽道

簡單難度

設計思路：

• 「公路旅行」感——直線加緩彎，享受風景和速度
• 無急彎確保新手不會卡住
• 緩坡（上坡+下坡）增加速度感變化，不增加操控難度
• 4 個氮氣釋放點確保「每 20–25 秒一次爽感」
• 路線明確，不會迷路

普通難度

設計思路：

• 岔路系統：安全路線（R=160m 大彎）vs 捷徑（R=40m 急彎但快 1.5 秒）
• 五幕結構清晰：開場直線→升溫S彎→跳台轉折→漂移高潮→衝刺終點
• 跳台位於 55% 處，作為「轉折點」
• 漂移區位於 70% 處，作為「高潮觸發器」
• 捷徑設計讓重玩有探索動機

困難難度

設計思路：

• 「山道下山」主題——從山頂盤旋至山腳
• 2 處岔路都是「技術路線 vs 速度路線」的選擇
• 螺旋下降段是視覺高潮+操控挑戰的結合
• 高坡度（15% 下坡）配合急彎 = 極致煞車判斷挑戰
• 高速 S 彎連續段要求精確的路線選擇
• 全程無重複元素 → 持續新鮮感+持續緊張感
• 只有非常熟練的玩家能一口氣心流跑完

1. 簡單難度：大彎為主、寬道、多直線、多恢復段。讓新手 30 秒內就能享受「速度爽感」

2. 普通難度：中彎為主、加入急彎當調味料、有跳台/漂移/岔路。平衡挑戰和容錯

3. 困難難度：急彎密集、窄道、高坡度、恢復極短。需要高集中力和精確操控才能維持心流

4. 繞圈式從簡單到困難的核心變化：大彎→中彎→急彎比例增加、直線→彎道比例翻轉

5. 開放式從簡單到困難的核心變化：路線唯一→岔路系統、平坦→高坡度、長恢復→幾乎不恢復

5.9.3 各元素設計指引

C1. 距離規劃：如何決定每段長度

核心公式

段落長度(m) = 段落時間(秒) × 該段平均時速(km/h) ÷ 3.6

段落長度的「感受法則」

• < 2 秒的段落：玩家幾乎來不及反應，只適合做過渡（兩個彎之間的短連接）
• 3–5 秒的段落：「一個完整的感受」——足夠體驗但不會無聊，是最常用的單位長度
• 5–8 秒的段落：「一個完整的挑戰」——適合技術段、S 彎群
• 8–12 秒的段落：開始需要額外刺激（坡度、對手、場景變化）
• > 12 秒的段落：必須加入其他元素，否則會無聊

全賽道長度規劃

C2. 各式彎道配置

彎道類型使用時機

彎道序列設計原則

各難度彎道比例建議

C3. 長直線設計

長直線的三大功能

• 速度爽感：讓玩家體驗極速，FOV 放大+風聲+引擎高轉
• 氮氣釋放：直線是 Boost 的「舞台」——衝出去！
• 恢復喘息：高壓段後的休息區，讓張力歸零重新蓄積

長直線搭配設計

直線搭配緩坡的效果

直線長度建議

C4. 跳躍點設計

跳台位置選擇

跳台設計參數

跳台的節奏功能

跳台在張力曲線中的作用：

   ╱\   ← 起飛（張力突升）
  ╱  \
 ╱    \ ← 滯空（最高張力 — 你什麼都做不了！只能等！）
╱      \
        ╲ ← 落地（張力釋放+操控恢復的滿足感）

黃金法則：跳台後 1–2 秒內不要放高難度彎道。讓玩家「喘口氣」再開始下一個挑戰。

C5. 氮氣釋放點設計

最佳釋放位置

氮氣點的間距節奏

氮氣和賽道的節奏整合

理想的「蓄積→釋放」配合賽道佈局：

彎道群（蓄積氮氣：漂移/跳台/特技） → 出彎 → 直線 → 按下氮氣！→ 極速衝刺 → 下個彎道前煞車
     ↑ 蓄力階段                                    ↑ 釋放高潮        ↑ 下一循環開始

1. 段落長度以 3–5 秒為基本單位，超過 8 秒就需要額外刺激

2. 彎道設計的核心是「比例」——中彎永遠最多、急彎是調味料、大彎等於恢復

3. 長直線有三大功能：速度爽感、氮氣釋放、喘息恢復。搭配緩坡效果更好

4. 跳台放在直線中段最安全、放在直線末端最刺激。落地後給 1–2 秒恢復

5. 氮氣釋放點的間距就是「心流心跳」——簡單模式 15–20 秒一次，困難 30–40 秒一次

6. 最完美的節奏循環：技術段蓄氣 → 出彎 → 直線釋放氮氣 → 極速爽感 → 下個彎道

5.9.4 節奏圖

D1. 簡單難度節奏圖

特徵：

• 波幅小（張力最高不超過 6/10）
• 波谷多且寬（恢復段佔 40%+）
• 節奏緩和——像輕鬆的背景音樂
• 最高峰出現在 75–80% 處（S 彎段）
• 結尾明確下降（衝刺→終點的釋放感）

對應段落：

D2. 普通難度節奏圖

特徵：

• 波幅中等（張力範圍 3–9/10）
• 明確的三波峰結構——漸高
• 恢復段適中（25–30%）
• 最高峰在 70–80%（漂移區+髮夾彎）
• 最後有明確的「釋放→滿足」下降

對應段落：

D3. 困難難度節奏圖

特徵：

• 波幅大且持續高位（張力 6–10/10 佔 70%+）
• 恢復段極短（僅 15–20%）
• 幾乎持續高壓——像重金屬音樂
• 多個波峰接近相同高度，最後一段最高
• 結尾下降很陡（從極高→瞬間釋放）

對應段落：

1. 簡單難度的節奏像「和緩的海浪」——波幅小、恢復多、最高才 6/10 張力

2. 普通難度的節奏像「流行歌」——有明確的副歌（高潮）和過門（恢復），三波漸高

3. 困難難度的節奏像「重金屬」——幾乎全程高壓，恢復極短，需要持續極高專注

4. 所有難度共通：最高峰都在 70–80% 處，不在最後。最後是「釋放+滿足」的下降

5. 節奏圖是設計賽道的第一步——先畫出想要的波形，再填入對應的賽道元素

5.9.5 設計速查卡

彎道 R 值速查

賽道寬度速查

§6. 速度心流 Speed Flow

核心問題：為什麼同樣速度有些遊戲感覺比較快？

6.1 Game Feel 的科學：速度感的構成要素

速度感（Perceived Speed）≠ 實際速度（Actual Speed）。這是競速遊戲設計中最關鍵的認知原理。

核心原則：大腦在任何時刻接收的感官資訊越多，感知速度越高。

摩托車 25mph 感覺比飛機 600mph 更快——因為視覺細節流動、風聲、震動、路面反饋等感官通道全部激活。競速遊戲的速度感設計，本質上就是「如何在有限的輸出通道中，塞入最多的速度暗示資訊」。

速度感的七大構成要素：

設計黃金法則：至少同時激活 3 個以上通道，才能產生令人信服的速度感。單一通道（例如只靠數字顯示「300km/h」）無法讓玩家「感覺到」速度。

6.2 Camera 設計

攝影機是速度感的第一推手。相同的車速，僅改變攝影機參數就能讓感知速度差異 50% 以上。

FOV 動態變化

學術依據：Holm, Skovhus & Kraus（2017）研究證實，增加幾何視野角（GFOV）「顯著增加」感知速度。Diels & Parkes（2010）確定最佳 GFOV/FOV 比例為 1.22:1。

設計參數建議：

關鍵發現：模擬賽車正確 FOV（基於螢幕距離）通常只有 40°-53°——這正是 sim racing「感覺慢」的根本原因。街機遊戲刻意使用超出物理正確值的 FOV 來「賣速度感」。

實作重點：

• FOV 變化必須平滑（使用 easing 曲線），瞬間跳變會讓玩家暈眩
• 加速時 FOV 擴張速率應快於減速時的收縮速率（不對稱設計）
• 避免 FOV 超過 120°，否則魚眼變形破壞沉浸感

Camera Shake（攝影機抖動）

• 使用 Perlin noise 生成隨時間的隨機偏移（振幅+頻率可控）
• 建議在車速超過最高速 75% 時啟用輕微抖動
• 原則：「平滑但不可預測地移動攝影機，不應讓玩家難以跟隨畫面」
• 街機高速段：振幅 0.5-2px，頻率 8-15Hz
• 碰撞/Nitro 爆發：振幅 3-8px，頻率 20-30Hz，衰減 0.3-0.5秒

攝影機高度與追蹤延遲

高度效應：

• 越接近地面 → 地面紋理流動越明顯 → 感覺越快
• 建議高速時動態降低攝影機 + 加寬 FOV（組合效果最強）
• 實作需將近裁剪面降至 0.01 避免穿地

追蹤延遲（Camera Lag）：

• 攝影機不即時跟隨車輛，有慣性延遲
• 加速時攝影機稍微落後（拉遠效果=「推背感」）
• 減速時攝影機前衝（壓縮效果=「慣性感」）
• 轉向時攝影機有 2-5 幀的追蹤延遲，創造車輛「切入」畫面的動態感

速度越高，攝影機越後拉：靜止時緊貼車尾；最高速時明顯拉遠。無需玩家任何輸入就能「賣出」加速感。

6.3 場景速度感

場景設計是「免費的速度感加成器」——不需改變任何物理參數，僅靠環境佈局就能讓同樣速度感覺更快。

路旁物件密度

學術依據：

• MDPI（2024）研究直接證實物件密度與第一人稱速度感知正相關
• TRB（2013）Oppel-Kundt 錯覺研究：均勻間隔的導柱使駕駛人平均降速約 4.2%（因為「感覺太快了」）
• ResearchGate：視覺比例因子改變 0.15 就足以產生顯著速度感知差異

設計參數：

道路標線的必要性：

• Luke McMillan（GameDeveloper）：「道路標線對於創造速度感是不可或缺的」
• 標線提供持續的、規律的、近距離的視覺流動參照
• 中央虛線間距是速度感知的「基準頻率」

建築高度與壓迫感

• 兩側建築越高 → 視覺空間越窄 → 壓迫感=速度感
• 高樓峽谷效果：高聳建築創造「飛速穿越」的隧道感
• 建議：高速段使用高建築兩側逼近；彎道前適度開闊讓玩家喘息

隧道效應

學術依據：

• Manser & Hancock（2006）：隧道壁特徵直接影響速度感知
• ARVO（2016）：人類受試者將「環境變窄」與「自我加速」混淆
• 遊戲設計反向應用：刻意收窄環境 = 人工放大速度感受

隧道設計要點：

• 入口瞬間光線變化（亮→暗）觸發「進入加速」的心理暗示
• 隧道內等距燈帶提供高頻視覺流動
• 出口瞬間光線爆發（暗→亮）搭配 FOV 微擴張=「衝出去」的爽快感
• 隧道壁紋理間距越密 → 速度感越強

漸進式物件間距

日本道路工程研究：逐漸縮短的橫向線條間距給予「速度正在增加」的錯覺。

遊戲應用：

• 直線加速段：路邊物件間距逐漸縮短（10m→8m→5m→3m）
• 即使車速恆定，玩家仍感覺「越來越快」
• 彎道前物件間距逐漸加寬 → 心理暗示「該減速了」

6.4 視覺特效

Motion Blur 強度曲線

關鍵學術發現（可能顛覆直覺）：

• Disney Research（2013）：Motion Blur 對感知速度和玩家體驗「無顯著影響」
• Holm et al.（2017）：強設定的 Motion Blur 反而「降低」感知速度（模糊遮蔽了視覺參照物）

設計結論：Motion Blur 的價值不在於「增加速度感」，而在於：

• 減少低幀率下的 strobing/temporal aliasing
• 提升整體視覺品質和電影感
• 在 144Hz+ 顯示器上已越來越冗餘

建議用法：

• 強度應輕微（不遮蔽環境細節）
• 僅在極高速/Nitro 爆發時短暫加強（<1秒）
• 使用徑向模糊（Radial Blur）優於全屏模糊——保持中央視覺清晰
• 考慮作為「可關閉選項」而非強制

Speed Lines / 粒子效果

比 Motion Blur 更有效的「速度視覺語言」：

• 半透明拉伸線條從畫面中心向外輻射（漫畫速度線語法）
• 高速時從畫面邊緣向後飛掠的光點/粒子
• 不遮蔽環境細節，同時提供方向性速度暗示
• NFS Unbound 風格化速度線（anime/graffiti）=品牌差異化

光線拉伸

• 路燈從「點」變「條」（Trail Rendering）
• 車尾燈拖出紅色光帶
• 高速時所有光源產生收斂隧道效果
• 實作：對光源物件附加相同顏色的模糊 trail，長度映射到車速

動態物件（迎面車流）

• 對向車流是最強的「相對速度」參照物
• 相對速度的視覺暗示比絕對速度更有效
• Maximum Tune 的車流穿梭（Needle Threading）：窄出口的穿越感放大速度+成就感
• 設計技巧：讓玩家「以為」出口很窄（實際碰撞框寬裕）=「我做到了不可能的事」

6.5 音效速度感

引擎聲頻率 × 轉速映射

現代實作方法（Multi-layer Crossfade）：

RPM 範圍        音頻層              混合方式
───────────    ──────────         ──────────
750rpm         idle 循環            獨立
1000-3000rpm   低轉樣本             淡入
3000-5000rpm   中轉樣本             交叉淡入
5000-7000rpm   高轉樣本             交叉淡入
7000+rpm       紅線/限轉樣本         淡入+音高上移

• 每輛車至少需要引擎聲+排氣聲兩層（分別放置前/後方空間位置）
• 引擎基頻 = RPM ÷ 60（Hz）
• RPM 來源經低通平滑（Biquad 濾波器）使升降更真實
• 加速時提高音高+音量；減速時切換到專屬減速樣本（overrun）

Granular Synthesis 方法（更高品質）：

• 從真車加速/減速 ramp 錄音建立模型
• 可精確追蹤 RPM-torque 操作範圍每階的音色變化
• Wwise REV 插件實現

風切聲分層

• 連續循環音檔，音量和高通濾波器隨速度參數控制
• 低速：幾乎無風聲
• 中速：輕微高頻氣流
• 高速：強烈風嘯，低頻成分增加
• 風聲特性由「風與什麼互動」定義（車頂/玻璃/車側各不同）

輪胎摩擦聲

• 追蹤每輪底層路面材質+滑動值
• 區分柏油/碎石/泥土的摩擦音色
• 漂移時：持續尖銳輪胎嘶叫→填充聽覺空間→強化「極限駕駛」感
• 監測懸吊壓縮播放底盤嘎吱聲（越野/路面不平）

都卜勒效應

經過物件/對手時的音高 shift 是「瞬間速度證明」：

• Jected:Rivals Passby 系統設計：
• 預測最接近經過點，若 <0.5 秒內發生 → 觸發 passby 音效
• 所有 passby 素材峰值在 0.5 秒後
• 低速：通用 whoosh；高速：車輛專用聲音
• 模擬「車輛花最少時間在玩家旁邊」的印象=極快移動

6.6 體感速度感（街機）

街機是唯一能同時激活「全部七個速度感通道」的平台，這是其速度感遠超其他平台的根本原因。

座椅 G 力模擬

• 機械/液壓/電子系統融合模擬真實駕駛力量
• 4/6 軸動感座艙：俯仰（加速/煞車）、翻滾（轉彎）、升降（跳躍/落地）
• 感測器偵測方向盤/踏板動作 → 致動器再現對應力量
• Asphalt 9 DX 5D 版本：全動感平台模擬賽車 G 力

風扇風量 × 速度映射

• 風扇風量線性或非線性映射到車速
• 低速：微風（面部輕觸）
• 高速：強風直吹（頭髮飄動、眼睛微瞇）
• Nitro 爆發：風量瞬間最大化
• 最有效的「我真的很快」身體證據——因為真實開快車就會有風

低頻震動

• Bass shakers/transducers 附加座椅
• 不同頻率對應不同回饋：
• 20-40Hz：引擎怠速/低轉震動
• 40-80Hz：加速引擎嘶吼
• 80-150Hz：路面紋理
• 150-300Hz：碰撞衝擊
• 高速時持續低頻提升 → 「車體共振」感

Wangan Midnight MT 的速度體感設計

作為 300km/h+ 公路競速遊戲的標竿：

• 巨大直驅馬達在高速時增加轉向阻力（模擬空氣動力負載）
• 風扇+座椅震動同步車速
• 力回饋傳達路面接縫/凸起（高速時更劇烈）
• 結果：即使螢幕關閉，僅靠觸覺就能分辨「我現在多快」

6.7 氮氣釋放的速度爆發設計

Nitro/Boost 的瞬間釋放是競速遊戲中「速度感高潮」的設計核心。成功的 Nitro 設計必須在同一幀內同步觸發多通道衝擊。

多通道同步設計

時間軸：  ─── 觸發 ──→ 持續 ──→ 衰減 ──→ 回復
          │         │        │         │
視覺FOV： 瞬間+15°   維持     -3°/秒     回到速度對應值
Motion Blur：瞬間0→70%  衰減至30%  衰減至0    ─
粒子：    爆發       持續發射   減少       停止
Camera：  微後拉     維持      前推回復    正常
音效：    爆發音     循環嘶吼   降頻       引擎聲接管
風扇：    瞬間最大   維持高速   漸降       回到車速映射
震動：    衝擊波     持續提升   漸降       回到車速映射

設計原則

• 快速 onset，慢速 recovery：啟動感瞬間爆發（<0.2秒），回復逐漸衰減（0.5-1.0秒）
• 所有通道同一幀觸發：視覺/音效/觸覺任何一個延遲都會破壞「衝擊感」
• 物理行為連動：NFS Unbound 的 Nitro 改變物理行為（推力方向=車頭朝向），不只是「加速」
• 視覺聚焦效應：徑向模糊讓畫面中心清晰+邊緣模糊=隧道視覺=極速感
• 音效構建：Nitro 音效由多層構成（機械層+蒸汽層+抽象旋轉聲），最大時加入額外層（如吉他/合成器）

Asphalt 9 三階 Nitro 的分層設計

每階的感官衝擊遞增 → 讓玩家「渴望下一階」→ 驅動行為循環。

6.8 速度感 vs 實際速度的設計取捨

核心技巧：讓 200km/h 感覺像 300km/h

模擬 vs 街機的速度感策略差異

模擬賽車（GT7/AC/iRacing）：

• 使用物理正確 FOV（40-53°）
• 速度感主要來自音效+力回饋+微小的車體震動
• 「慢但真實」——長時間沉浸後大腦重新校準，開始「感受」真實速度
• 代價：前10分鐘覺得慢，需要適應期

街機遊戲（Asphalt/Wangan/NFS）：

• 使用誇大 FOV（80-120°）
• 堆疊所有視覺特效
• 「快但假」——即時爽快但長時間後可能疲勞（感官過載）
• 代價：物理精確性被犧牲

最佳平衡點（我們的設計目標）：

• 基礎 FOV 略高於物理正確值（65-80°）
• 速度感主要靠場景設計（物件密度/隧道/車流）而非後製特效
• Nitro 時才啟用全力特效堆疊 → 創造「常態-爆發」的節奏對比
• 結果：常態時感覺「合理的快」，Nitro 時感覺「突破極限」

速度變異度控制

街機設計理想值：車速變化在 ±30% 區域內。

• Initial D / Maximum Tune：速度標準差最低（始終保持高速）
• Gran Turismo：速度標準差最高（煞車→加速反差大）
• 結論：避免「到達超高速→急煞→重新加速」的過山車模式
• 保持「持續的高速感」比「偶爾的極速」更有效維持心流

6.9 評估指標

主觀指標

客觀指標

Flow Curve 中的速度心流評估

在 120 秒遊戲的 Flow Curve 中，速度心流的關鍵評估點：

時間（秒）  事件              速度心流期望
─────────  ──────────        ──────────────
0-10       起步加速          從0到「夠快」的時間 < 3秒
10-20      第一個彎道前       「衝進彎道」的速度壓迫感
30-40      第一次 Nitro      全通道爆發 → 速度高峰
50-60      隧道/窄道段       場景壓縮 → 持續高速感
70-80      對向車流段        相對速度 → 「好危險好快」
90-100     最終 Nitro       最強爆發 → 最高峰
100-120    衝線             維持或略降 → 滿足的完賽感

為什麼同樣速度有些遊戲感覺比較快？ 答案是「感官通道的堆疊密度」。

• 場景設計 > 後製特效：物件密度和隧道效應是成本最低、效果最穩定的速度感來源。Motion Blur 的學術效果被高估。
• FOV 是速度感的主調節旋鈕：每增加 15°，感知速度顯著提升。但超過 120° 會破壞沉浸。
• 多通道同步是 Nitro 爆發的關鍵：任何一個通道延遲都會削弱衝擊力。快速 onset + 慢速 recovery 是最佳包絡線。
• 「持續的高速感」優於「偶爾的極速」：速度標準差越低，心流狀態越穩定。
• 街機的終極優勢是物理觸覺：風扇+G力+低頻震動是其他平台無法複製的「速度證據」。
• 設計核心矛盾：真實=慢但沉浸，誇張=快但假。最佳策略是「場景真實+Nitro時刻誇張」的節奏交替。

對我們的產品建議：以場景速度感為基底（物件密度/隧道/車流），Nitro 爆發時堆疊全通道特效，配合街機風扇/震動的物理觸覺，創造「常態→爆發→常態→更強爆發」的速度心流節奏。

§7. 回饋心流 Feedback Flow

每次成功操作是否立即被強化？每次失誤是否被適度提醒而非打擊？

• Version: v2.0
• Date: 2026-07-03
• Author: Flow Analyst
• Project: 競速遊戲心流研究 — Racing Flow Model

7.1 回饋即時性原則

核心法則：從玩家動作到回饋 < 50ms

回饋心流的第一條鐵律：玩家做了什麼，遊戲必須在 50 毫秒內告訴他「我收到了」。這不是美學選擇，是神經科學的硬限制。

為什麼是 50ms？人類感知閾值

人類的視覺融合頻率約 60Hz（~16ms/frame），觸覺感知更敏銳（可辨識 5ms 差異），聽覺介於中間（~10ms 辨識閾）。50ms 是三個感官通道的「安全交集」。

回饋管線拆解

一個完整的回饋循環經歷以下階段：

玩家輸入 → 輸入採樣(1-4ms) → 遊戲邏輯運算(2-8ms) → 渲染管線(8-16ms) 
→ 顯示器掃描(4-16ms) → 光線到達視網膜(~0ms) → 大腦感知處理(~15ms)

總預算：50ms（從手指到大腦的完整路徑）

遊戲開發者可控制的部分約 30-35ms，剩餘歸顯示硬體與人體神經傳導。

延遲預算分配表

延遲過高的後果：行動—意識分離

Csikszentmihalyi 定義心流的核心條件之一是「行動與意識的合一（merging of action and awareness）」。當回饋延遲超過閾值：

• 玩家開始「觀察自己的操作」而非「沉浸在操作中」
• 大腦切換至監控模式，自我意識回歸
• 操控從「直覺反應」退化為「思考—判斷—執行」
• 心流狀態瓦解，玩家感到疲憊而非興奮

具體案例

💡 白話版：

你按下氮氣按鈕，0.05 秒內畫面就要爆出加速特效 + 引擎咆哮 + 座椅後推——如果慢了 0.1 秒，你會覺得「這車反應好遲鈍」。

更糟的情況：漂移時方向盤的力回饋慢了 0.08 秒，玩家會覺得「車子不聽話」，即使物理模擬完全正確，主觀體驗已經崩壞。

對比：好的回饋像是用手指敲桌面——動作和聲音是「同一件事」。壞的回饋像是對著山谷喊話等回音——你知道有回應，但連結已斷。

7.2 多感官回饋矩陣

設計原則

單一感官回饋是「通知」，多感官同步回饋才是「體驗」。街機框體擁有完整的四通道輸出能力（視覺 + 聽覺 + 觸覺 + 體感），這是與家用主機、手機最大的差異化武器。

完整回饋矩陣

以下矩陣定義了 8 種核心操作在 4 個感官通道的具體設計參數：

操作 1：加速（Throttle）

操作 2：煞車（Brake）

操作 3：漂移進入（Drift Entry）

操作 4：漂移維持（Drift Sustain）

操作 5：漂移釋放（Drift Release / Boost）

操作 6：碰撞（Collision）

操作 7：超車（Overtake）

操作 8：Nitro 釋放（Nitro Activation）

平台通道可用性

💡 設計啟示： 街機的回饋通道數量是手機的 4 倍，這就是為什麼同一款遊戲在街機上更容易讓人進入心流——感官被完整包覆，大腦沒有餘力分心。設計時應「為最豐富的平台設計完整體驗，再為受限平台做減法」，而非反過來。

7.3 操作回饋設計（成功的正向強化）

設計原則：每個成功動作都得到即時多通道獎賞

正向回饋是心流的燃料。玩家做對了一件事，遊戲必須用「感覺」而非「文字」告訴他：「你很棒，繼續」。這種回饋不能等到賽後結算，必須在動作發生的當下立刻兌現。

漂移火花系統（Drift Spark Escalation）

漂移火花是競速遊戲最經典的正向回饋設計——它將「漂移持續時間」轉化為「可見的獎勵升級」：

設計關鍵： 每個階段的轉換瞬間必須有明確的「升級感」——顏色跳變（非漸變）、音效節點、觸覺脈衝。玩家需要清楚知道「我剛剛升級了」。

Perfect Nitro 時機獎勵

在氮氣條充滿的精確瞬間按下按鈕：

• 視覺： 氮氣條金色閃爍（0.3s）+ 螢幕邊緣金色脈衝
• 聽覺： 清脆的「叮——」確認音（類似完美音遊判定的音效）
• 觸覺： 方向盤一次明確的「咔」振動回饋
• 額外獎勵： Nitro 持續時間 +30%，火焰尾跡變為金色

這個設計的核心：讓「精確時機」成為可追求的技巧目標，每次做到都有明確的「完美」確認。

超車瞬間回饋

核心約束： 超車回饋必須 < 500ms 完成全部表演，否則會干擾下一個操作判斷。

完美入彎回饋

完美入彎是「做對了但不張揚」的操作，回饋應該是低調的正向確認：

• 視覺： 入彎路徑上出現淡金色軌跡線（0.5s 消散）
• 聽覺： 極輕的「嗯——」滿意音效（像是車子在說「舒服」）
• 攝影機： 比正常入彎更流暢的追蹤動態（無意識的「好看」感）
• 觸覺： 方向盤阻力曲線特別平滑（對比失誤入彎的頓挫感）

玩家可能不會意識到這個回饋存在，但身體會記住「這樣打方向盤感覺很好」。

Slipstream（尾流）捕捉回饋

進入前車尾流範圍時：

• 視覺： 速度線加密集中、前車尾氣可視化、空氣扭曲效果
• 聽覺： 風聲加強（低沉氣流聲）、引擎聲被氣流聲部分遮蔽
• 觸覺： 方向盤輕微不穩定振動（模擬亂流）
• 體感： 正面風扇增強
• 隱含訊息： 「你正在吃到加速紅利，準備好超車了嗎？」

連續技 Combo 系統

連續成功操作（漂移→超車→漂移→Perfect Nitro）觸發 Combo 累計：

Combo 中斷條件： 3 秒無成功操作、碰撞、出軌。中斷時 Combo 數字碎裂消散（輕度負面回饋，不至於挫敗）。

正向回饋頻率法則

目標：每 3-8 秒至少一次正向回饋事件

回饋強度隨技巧升級

同一個操作，執行品質不同，回饋強度應有差異：

普通漂移: 回饋強度 50% → 「還行」
良好漂移: 回饋強度 70% → 「不錯」  
完美漂移: 回饋強度 100% → 「太屌了」

這讓高手在做同樣的事時感受到更強的獎勵，激勵精進而非重複。

技能經濟循環（Self-Reinforcing Skill Loop）

漂移（操作）→ 火花升級（回饋）→ 加速Boost（獎勵）→ 更高速度（結果）
    ↓                                                        ↓
需要更精確的漂移 ←←←←←←←←←←← 更高速度帶來更大挑戰 ←←←←←

這個循環是回饋心流的核心引擎：技巧本身會創造出需要更多技巧的情境，而每個環節都有即時回饋確認玩家「你在正確的路上」。

💡 白話版： 就像滾雪球——你漂移越好，火花越亮，加速越猛，速度越快，下一個彎就越刺激，需要更好的漂移來應對。這個循環永遠不會無聊，因為難度跟能力在一起成長。

7.4 失敗回饋設計（不能太重也不能太輕）

設計原則：告知而非摧毀，糾正而非懲罰

失敗回饋是回饋心流中最精密的部分。太重，玩家憤怒退幣；太輕，玩家學不到東西。正確的失敗回饋應該讓玩家感到「我知道錯了，但我馬上可以修正」——保持控制感。

失敗回饋光譜

太重（rage-quit）                                              太輕（不學習）
 ←─────────────────────── 理想區間 ───────────────────────→
 
❌ 全螢幕爆炸     ⚠️ 完全停止     ✅ 短暫減速      ✅ 微提示      ❌ 完全無感
❌ 長時間失控     ⚠️ 控制權剝奪   ✅ 控制權短暫受限  ✅ 自動修正    ❌ 無視覺變化
❌ 排名暴跌       ⚠️ 掉多名       ✅ 掉1名          ✅ 差距拉大    ❌ 無後果
❌ 嘲諷音效       ⚠️ 警告音       ✅ 輕度提示音     ✅ 靜默        ❌ 無音效

具體失敗回饋設計

撞牆（Wall Collision）

關鍵： 玩家永遠不會「卡住」。最差的情況是減速但持續前進。

出軌（Off-Track）

關鍵： 出軌感覺像「踩到爛泥巴往回滑」，不像「撞到隱形牆被彈回來」。

漂移失敗 / Spin-out

關鍵： Spin-out 不是全車旋轉 180°——那會讓玩家完全迷失方向。最多偏轉 45° 然後自動回正。

被超車（Being Overtaken）

關鍵： 被超車的回饋必須輕——它已經夠沮喪了，不需要遊戲再補刀。

掉名次（Losing Position）

• 做： 排名數字平滑動畫下降（3→4），顏色從白轉為淡黃
• 不做： 大字彈窗、負面音效、震動螢幕
• UI 脈衝： 排名區域 1 次輕微脈衝（0.3s），然後恢復正常

恢復回饋機制

失敗後 3-5 秒的「恢復窗口」設計：

這個機制對玩家是不可見的——他們只會感到「撞了一下但很快就追回來了」。

黃金法則：失敗恢復時間 < 50% 心流重建時間

• 心流從零建立約需 8-15 秒
• 因此失敗恢復必須 < 4-7 秒
• 街機目標：< 1.5 秒回到可操控 + < 5 秒回到心流

失敗回饋總覽表

💡 白話版： 想像你在打保齡球。壞的設計是：投了一顆 gutter ball，機器大聲嘲笑你，燈光全暗，要等 30 秒球才回來。好的設計是：球偏了，機器輕聲「唔」一下，球 3 秒就回到你手裡，而且下一球的球瓶好像比剛才近了一點點。

7.5 HUD 設計

P0-P3 優先級系統

HUD 是回饋心流的視覺介面層，但它同時也是心流的潛在殺手。每多一個 HUD 元素，就多一個把玩家視線從賽道上拉走的風險。

P3 嚴禁清單：

• ❌ 「Great!」「Excellent!」文字彈窗——用視覺特效替代
• ❌ 即時分數加減——賽後結算即可
• ❌ 任何需要玩家「讀字」才能理解的提示
• ❌ 非玩家觸發的動畫（廣告、系統提示）
• ❌ 閃爍頻率 > 3Hz 的任何元素（癲癇風險 + 注意力干擾）

心流自適應 HUD（Flow-Adaptive HUD）

根據即時心流指數（FlowIndex）動態調整 HUD 密度：

轉換規則：

• HUD 狀態變化必須漸進（0.5s fade），不可跳變
• 從輔助→極簡至少需要維持 5 秒穩定 FI 才觸發
• 從標準→輔助需要 FI 低於閾值 2 秒才觸發（避免瞬間失誤觸發）

不遮彎道原則

┌────────────────────────────────────────────────────────┐
│  [排名]                                    [氮氣條]    │  ← 頂部邊緣帶
│                                                        │
│                                                        │
│                    賽 道 核 心 區                        │  ← 絕對淨空：
│                   （螢幕中央 70%）                      │     不放任何 HUD
│                    玩家視覺焦點                         │
│                                                        │
│                                                        │
│  [速度]              [小地圖]                           │  ← 底部邊緣帶
└────────────────────────────────────────────────────────┘

• 中央 70% 區域： 絕對禁止放置任何永久 HUD 元素
• 暫時性回饋（超車排名動畫等）： 可短暫進入中央區但 < 500ms
• 所有固定元素： 僅限螢幕邊緣 15% 區域

Mini Map 設計規範

色彩編碼規則

字體與尺寸規則

• 最小字號： 螢幕高度的 3%（1080p 螢幕 = 32px minimum）
• 字重： 僅使用 Bold 或 Black，Regular weight 在動態畫面中可讀性不足
• 同時可見文字群組： 最多 3 組（排名 + 速度 + 圈數 = 已達上限）
• 字體選擇： 無襯線、等寬數字（避免數字跳動時寬度變化）
• 數字變化動畫： 翻牌式或滑動式，不可突然跳變

動畫規則

💡 白話版： HUD 就像好的裁判——你踢了一場精彩的球賽結束後，回想起來幾乎不記得裁判做了什麼。但如果裁判一直吹哨、舉牌、跑到你面前比手畫腳，你一定踢得很煩。

7.6 UI/UX 流程：投幣→比賽→結果的零中斷設計

核心原則：Never Break Immersion

從玩家投入第一枚硬幣到離開機台，整段體驗應該是「一個連續的事件」而非「一堆畫面拼接的拼圖」。每一次黑屏、每一次 Loading 文字、每一次從零開始的場景都是心流的斷點。

完整流程設計

投幣 → 選擇(≤15s) → 出發(≤3s) → 比賽 → 結束(減速) → 成績 → 續幣(10s) → ...
  │        │            │          │         │          │         │
  │        │            │          │         │          │         └→ 續幣：直接出發
  │        │            │          │         │          │              不續幣：排行榜→招攬
  │        │            │          │         │          └→ 覆疊顯示，非換頁
  │        │            │          │         └→ 慢動作，攝影機環繞
  │        │            │          └→ 零彈窗、零中斷
  │        │            └→ 攝影機從車庫飛到起跑線
  │        └→ 快速選擇或一鍵跳過
  └→ 引擎聲啟動、畫面開始活起來

各階段詳細設計

階段 1：投幣（Coin Insert）

階段 2：角色/車輛選擇（≤15 秒）

階段 3：選擇→比賽開始過渡（≤3 秒）

階段 4：比賽中

階段 5：比賽結束→成績

階段 6：續幣倒數（10 秒）

階段 7A：續幣成功

階段 7B：不續幣

核心規則總結

💡 白話版： 想像看一部好電影——你不會在精彩處突然看到「Loading Scene 2...」對吧？整段從投幣到結束應該像一部 3 分鐘的動作短片，開頭結尾自然銜接，中間永遠不切黑。引擎聲就像電影配樂——它可以大聲小聲，但永遠不會停。

7.7 評估指標

回饋延遲實測方法

使用高速攝影機（≥240fps）同步拍攝：

• 玩家輸入裝置（按鈕/踏板/方向盤動作）
• 遊戲畫面輸出
• 音箱聲波輸出（搭配示波器）
• 觸覺馬達啟動（加速規貼附於方向盤）

計算方式： 逐 frame 比對輸入動作 frame 與各通道首次回饋 frame 的時間差。每種操作至少測量 30 次取平均值與 P95。

玩家滿意度量測

賽後即時問卷（觸控螢幕，≤5 題，≤10 秒完成）：

注意力分配測量

使用眼動追蹤設備（eye tracker 內嵌於框體螢幕）：

• 熱區分析： 確認玩家視線是否 >90% 在賽道中央區域
• HUD 注視時間： 每次看 HUD 的平均時長（target: <0.3s/次）
• HUD 注視頻率： 整場比賽中看 HUD 的次數/總時間佔比
• 回饋事件注視： 正向/負向回饋發生時視線是否被吸引偏移

具體 KPI 定義與目標

KPI 異常處置

評估實施建議

• 開發階段： 每個 milestone 進行延遲測量（硬指標）
• QA 階段： 內部測試員 30 人問卷 + 眼動追蹤抽樣 10 人
• Location Test： 真實街機環境測試，50 名玩家數據收集
• 營運階段： 框體內建數據回傳，持續監控正向回饋頻率與續幣率相關性

1. 50 毫秒是鐵律。 玩家按了按鈕，遊戲就要立刻回應——不是「算完再說」，而是「先回應再算」。視覺可以晚兩幀，但方向盤的力回饋一幀都不能等。慢了就不是「有延遲」，是「車子不聽話」。

2. 好的回饋是全身的。 你看到火花、聽到引擎咆哮、感覺到方向盤在掙扎、屁股被椅子推著走——四件事同時發生，你的大腦才會相信「我真的在開車」。少了任何一個通道，說服力就打折。

3. 成功要大聲慶祝，失敗要小聲提醒。 漂移噴出紫色火花時要像跨年煙火一樣精彩；撞到牆時就像絆了一下——「喔」一聲然後繼續跑，而不是被按在地上數落。玩家最怕的不是失敗，是失敗之後爬不起來。

4. HUD 越少越好。 最好的 HUD 是玩家根本不記得它存在。只放「現在要做決定」必須看的東西，其他全部撤掉。如果玩家需要「讀字」才能理解的資訊，那就是設計失敗。

5. 從投幣到結束，永遠不切黑。 把整場體驗想成一部電影——引擎聲是配樂、攝影機永遠在動、場景用運鏡串接不用切割。黑屏 = 把觀眾推出電影院再叫他走回來。每次黑屏，你都在賭玩家還願不願意重新投入。

§8. 環境美學與場景設計

8.1 賽道環境美學對心流體驗的影響

8.1 理論基礎

環境心理學與心流的交集

環境心理學研究顯示，物理環境的美學品質直接影響人的注意力、情緒喚醒與認知表現。在競速遊戲中，賽道環境不僅是「背景裝飾」，更是影響心流的關鍵設計變數。

Weibel et al.（2010）的研究發現，空間臨場感（Spatial Presence）與心流正相關——玩家越感覺「身處其中」，越容易進入心流狀態。環境美學是建立臨場感的核心途徑。

出處：Weibel, D., Wissmath, B., Habegger, S., Steiner, Y., & Groner, R. (2010). Immersion in Computer Games: The Role of Spatial Presence and Flow. *International Journal of Computer Games Technology*, 2010, 456763.

視覺認知負荷理論

視覺環境的複雜度直接影響玩家的認知負荷分配：

• 認知負荷過低（環境過於單調）→ 注意力渙散 → 無聊 → 心流中斷
• 認知負荷過高（環境過於複雜）→ 感官過載 → 焦慮 → 心流中斷
• 認知負荷適中（環境豐富但不干擾操控）→ 沉浸感強化 → 心流促進

這與心流理論的「技能-挑戰平衡」原理一致——環境美學也有其「最適複雜度」。

出處：Oliveira et al. (2012). On the human visual perception and game design. *Proceedings of SBGames 2012*.

碎形複雜度與美學偏好

Della-Bosca et al.（2017）使用碎形維度（Fractal Dimension）量化遊戲環境的視覺複雜度，發現：

• 人類對中等碎形維度（D ≈ 1.3-1.5）的視覺場景有普遍偏好
• 過低（D < 1.2）的場景被認為無聊、人工化
• 過高（D > 1.7）的場景造成視覺疲勞
• 遊戲環境的碎形維度可作為「視覺複雜度」的客觀量化指標

出處：Della-Bosca, D., Taylor, R., & Beavis, C. (2017). An analysis of game environments as measured by fractal complexity. In *Proceedings of DiGRA 2017*.

Taylor et al.（2011）的碎形美學研究支持：人對碎形維度 D ≈ 1.3 的偏好跨文化一致，且與降低的生理壓力反應（EDA降低）相關。

出處：Taylor, R.P. et al. (2011). Perceptual and physiological responses to the visual complexity of fractal patterns. *Nonlinear Dynamics, Psychology, and Life Sciences*, 15(2), 261-282.

碎形維度通俗解釋

碎形維度（Fractal Dimension, D）是衡量圖像視覺複雜度的數學指標，數值範圍約 1.0～2.0：

通俗理解：D 越高，圖像邊緣越「碎」、細節越密。人眼天生偏好 D ≈ 1.3 的複雜度——這恰好是大自然中最常見的輪廓複雜度（樹冠、山脊、雲朵）。

套用到賽道設計：路邊建物景觀的輪廓線（天際線剪影）維持碎形維度 D ≈ 1.3-1.5，玩家潛意識中會感覺「豐富但不雜亂」——既不會因單調而無聊，也不會因複雜而分心。

碎形維度的計算方法：盒計數法（Box-Counting Method）

原理：用不同大小的「盒子」覆蓋圖像邊緣，統計需要多少個盒子才能覆蓋完。盒子越小需要越多——增長的速率就是碎形維度。

具體步驟：

• 取得邊緣圖像：對遊戲場景截圖進行邊緣偵測（如 Canny edge detection），得到二值化的輪廓圖
• 覆蓋網格：用邊長為 ε 的正方形網格覆蓋邊緣圖像
• 計數：統計「包含至少1個邊緣像素」的盒子數量 N(ε)
• 縮小盒子：將 ε 減半，重複計數
• 重複：用多種 ε 尺度（如 512, 256, 128, 64, 32, 16, 8, 4 像素）分別計數
• 迴歸計算：以 log(1/ε) 為X軸，log(N(ε)) 為Y軸繪製散點圖，線性迴歸的斜率即為碎形維度 D

計算公式：

D = lim(ε→0) [log N(ε) / log(1/ε)]

實務上：D = 線性迴歸斜率 of (log N(ε) vs log(1/ε))

Python 實作範例：

import cv2
import numpy as np

def fractal_dimension(image_path):
    # 1. 載入並邊緣偵測
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    edges = cv2.Canny(img, 100, 200)
    
    # 2. Box-counting
    sizes = [4, 8, 16, 32, 64, 128, 256]
    counts = []
    for size in sizes:
        count = 0
        for i in range(0, edges.shape[0], size):
            for j in range(0, edges.shape[1], size):
                box = edges[i:i+size, j:j+size]
                if np.any(box > 0):
                    count += 1
        counts.append(count)
    
    # 3. 線性迴歸求斜率
    log_sizes = np.log(1.0 / np.array(sizes))
    log_counts = np.log(np.array(counts))
    coeffs = np.polyfit(log_sizes, log_counts, 1)
    return coeffs[0]  # 斜率 = 碎形維度 D

實際應用流程：

• 在遊戲引擎中，對每條賽道的不同段落擷取截圖（玩家視角）
• 對截圖執行碎形維度計算
• 繪製「賽道進程 vs 碎形維度」曲線
• 確認 D 值維持在 1.3-1.5 的舒適帶內
• 若某段 D > 1.7：減少該段裝飾物密度
• 若某段 D < 1.2：增加有機形狀元素（植被、不規則建築）

工具建議：

• FracLac（ImageJ 插件）：免費、學術標準，支援 box-counting
• Benoit（商業軟體）：專業碎形分析工具
• 自行撰寫：上述 Python 程式碼 + OpenCV，可整合進 CI/CD 管線自動檢測場景複雜度

1. 靜態研究限制：Taylor et al.（2011）和 Della-Bosca et al.（2017）的研究基於靜態圖像。在 200km/h 下，動態模糊大幅降低有效碎形維度，玩家實際感知的視覺複雜度可能遠低於靜態截圖計算值。

2. D值精度：box-counting 結果對邊緣偵測閾值、網格範圍高度敏感（±0.2）。建議將「D ≈ 1.3-1.5」理解為「D ≈ 1.3±0.3 的參考範圍」。

3. 相對比較優先：碎形分析的核心價值在於同一分析參數下的賽道間相對比較（A段 vs B段），而非絕對閾值判定。

4. 高速段建議：高速段（>250km/h）的視覺品質以 motion blur 下的「路面可讀性」和「速度參照物對比度」為主要指標，碎形維度主要適用於低速段和設計預覽階段。

8.2 建物主題與場景對注意力的影響

城市 vs 自然環境

注意力恢復理論（Attention Restoration Theory, ART）：Kaplan（1995）提出自然環境具有「恢復性注意力」的功能——暫時從「需要努力的注意力」切換到「不費力的吸引」，讓精神恢復。在競速遊戲中，自然風景段可作為「認知呼吸點」。

出處：Kaplan, S. (1995). The restorative benefits of nature: Toward an integrative framework. *Journal of Environmental Psychology*, 15(3), 169-182.

白天 vs 夜晚

研究支持：Elliot & Maier（2014）的色彩心理學綜述指出，暖色調（紅/橙/黃）與較高喚醒水平相關，冷色調（藍/綠）與較低喚醒相關。夜景中的霓虹暖光可在低整體亮度下維持適度喚醒。

出處：Elliot, A.J., & Maier, M.A. (2014). Color Psychology: Effects of Perceiving Color on Psychological Functioning in Humans. *Annual Review of Psychology*, 65, 95-120.

寫實 vs 風格化

Preprints.org（2025）的研究提出視覺風格對玩家認知吸收的影響：

• 寫實風格：高細節→高臨場感，但也可能增加視覺雜訊干擾路線判讀
• 風格化/卡通：低細節→路線更清晰，但臨場感降低
• 最佳策略：核心路線高可讀性（風格化處理）+ 周邊環境高細節（寫實處理）

出處：Preprints.org (2025). The Impact of Visual Style on Player Experience in Video Games. Manuscript 202511.2192.

8.3 美術風格對認知負荷的影響

視覺複雜度的三個層次

核心原則：視覺複雜度應隨與路面的距離增加而「安全地增加」——路面最簡潔，遠景最豐富。

色彩對比與路線引導

色彩在競速遊戲中的功能性應用：

• 高飽和暖色（紅/橙）：用於危險標記、急彎預警
• 低飽和冷色（藍/灰）：用於安全區域、直線段背景
• 高對比邊緣：用於路緣與非路面的分界，輔助路線判讀
• 動態色溫：隨賽道段落變化（如進入城市段色溫變暖、進入山區段色溫變冷）

資訊密度與心流帶寬

玩家的注意力總頻寬有限（Miller, 1956 的「7±2」原則在視覺場景中的延伸）：

• 操控佔用：~60-70% 注意力（路線判斷、速度控制、障礙迴避）
• 環境可用：~30-40% 注意力（周邊視覺、環境美學感受）
• 若環境太複雜，會「搶走」操控所需的注意力 → 心流中斷
• 若環境太單調，30-40%的餘裕注意力無處安放 → 無聊感

設計目標：環境美學應精準填滿操控之外的「餘裕注意力」，不多不少。

8.4 場景變化節奏與心流維持

場景切換作為節奏工具

場景環境的變化本身就是張力節奏的一部分：

場景變化頻率

• 過於頻繁的場景切換（< 10秒一換）：造成認知碎裂，無法建立環境沉浸
• 過於緩慢的場景切換（> 60秒不變）：環境適應後刺激降低，注意力可能轉移
• 建議節奏：每 20-40秒有一次顯著的環境變化（不必整體切換，可以是光影變化、通過標誌性建物等）

8.5 A9 DX 賽道環境設計建議

環境美學 × 氮氣節奏整合

A9 DX 的核心心流節奏是氮氣循環。環境美學應配合而非干擾此循環：

具體設計建議

8.6 驗證方法

§9. UI 設計對心流的影響

9.1 UI 設計對心流體驗的影響

9.1 UI 資訊密度與認知負荷

HUD 資訊量的心流平衡

競速遊戲 HUD 需在「提供足夠資訊」與「不干擾操控專注」之間取得平衡。根據 Miller（1956）的工作記憶容量限制和 Sweller（1988）的認知負荷理論：

• 玩家操控賽車時，工作記憶已被路線判斷、速度控制、障礙迴避佔用大部分
• HUD 資訊應僅呈現必要且可快速解讀的元素
• 任何需要「閱讀」或「計算」的 UI 元素都會搶奪心流所需的認知資源

出處：Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. *Cognitive Science*, 12(2), 257-285.

HUD 元素分級

9.2 視覺回饋與心流強化

回饋的即時性與一致性

心流條件之一是「即時回饋」（Csikszentmihalyi, 1990）。UI 視覺回饋應：

• 延遲 < 50ms：從操作到視覺回應
• 比例一致：輸入強度 ∝ 回饋強度（轉彎幅度 → 漂移特效大小）
• 多感官冗餘：同一事件同時觸發視覺+聽覺+觸覺回饋

氮氣條設計的心流最佳化

氮氣條不只是「資訊顯示」，更是節奏引導工具——引導玩家建立「蓄氣→釋放」的心流循環：

速度感特效的心流調控

9.3 操作介面的流暢度

沉浸連續性原則

心流建立需要持續不中斷的專注。UI 流程中的每個「斷點」都是心流的潛在殺手：

過渡動畫設計

• 選車→比賽：相機從車庫無縫飛到起跑線（不切黑）
• 比賽結束→結果：減速慢動作→成績浮現（不突然停止）
• 結果→下一局：保持引擎聲低鳴，讓玩家心理仍「在車上」

9.4 UI 動態與遊戲節奏同步

心流狀態驅動的 UI 變化

當系統偵測到心流狀態時，UI 應退場；脫離心流時，UI 應漸進介入：

9.5 色彩、字體與動畫的注意力影響

色彩規則

字體規則

• 大小：HUD 文字 ≥ 螢幕高度的 3%（餘光可讀）
• 字重：粗體 only（細字需更多認知處理）
• 數量：同時顯示的文字元素 ≤ 3 組

動畫規則

• 進場動畫：< 300ms（超過→感覺「等待」）
• 迴圈動畫：避免！（持續閃爍搶注意力）
• 觸發動畫：僅在玩家操作後出現，不主動打擾

9.6 設計建議

§10. 成長心流 Progression Flow

版本：v2.0

日期：2026-07-03

核心問題：如何讓玩家每局都想再來一次？

評估指標：完賽率、接關率、投幣率、重玩率、回訪率

10.1 單局成長感：每局結束時覺得「我進步了」

核心原則：不是「你贏了」，是「你變強了」

玩家投幣不只是為了贏，更是為了感受到自己的進步。即使輸了，只要覺得「這次比上次好」，就會想再玩。

學術依據：

• Self-Determination Theory（Deci & Ryan, 2000）：三大心理需求之一是「勝任感（competence）」——感覺自己越來越擅長某件事
• Ryan, Rigby & Przybylski (2006) 證實：遊戲中的勝任感是最強的享受預測因子

單局成長感的設計手法

輸了也要有成長感

這是關鍵：大多數玩家不會每次都贏。設計重點是讓「輸」不等於「白玩」。

10.2 跨局成長：解鎖系統與收集動機

解鎖的心理學

Goal Gradient Effect（Kivetz, Urminsky & Zheng, 2006）：人越接近目標，努力就越大。就像跑馬拉松——看到終點線的時候腿會突然有力。

Endowed Progress Effect（Nunes & Drèze, 2006）：給人一個「已經開始了」的進度條，比從零開始更能推動行為。實驗顯示：10格蓋了2格的集點卡，完成率（34%）比 8 格空白卡（19%）高了將近一倍——即使兩者都需要再蓋 8 格。

街機解鎖系統設計

解鎖節奏：前密後疏

第1-3局：每局都解鎖東西（讓你覺得「好多獎勵」）
第4-10局：每2-3局解鎖（維持動力）
第11局+：每5局一個大解鎖（長期目標）

這利用了 Endowed Progress Effect：一開始就讓玩家「上路」，看到進度條在動。

10.3 意猶未盡結束設計

Near-Miss Effect（差一點效應）

學術依據：

• Clark et al. (2009) 在 Neuron 期刊發表：「差一點就贏」的結果會啟動大腦的獎勵迴路（跟「真的贏了」類似的腦區），同時產生更強的「再試一次」動機
• 系統性回顧（Stange et al., 2017）確認：差一點效應能顯著增加繼續遊玩的動機

街機版「差一點」設計

結束畫面設計原則

• 先給正面資訊：「你進步了」→然後才是「差一點就⋯⋯」
• 視覺化差距：用進度條/數字讓「差多少」一目了然
• 暗示下一步：「再來一局就能⋯⋯」
• 不要顯示「Game Over」：改為「Continue?」或直接顯示解鎖進度

10.4 社交驅動

Self-Determination Theory 的「關聯感」

人是社會動物。跟別人有連結時動機最強。在競速遊戲中，社交驅動有三個層次：

幽靈車對戰

最有效的社交功能：跟朋友的「鬼影」比賽。

為什麼有效：

• 結合了「社交競爭」和「個人化難度」（朋友比你強一點點=完美心流區間）
• 不需要兩人同時在場
• 視覺上很直覺：追上那個影子=我贏了

設計重點

• 排行榜顯示「你跟前一名差多少」（Goal Gradient：看到差距在縮小=加速努力）
• 讓玩家取名字/選頭像（個性化=更在乎成績）
• 「擊敗好友」時給特殊慶祝動畫

10.5 街機投幣動機

接關(Continue) vs 重來(New Game)

這是街機盈利的核心心理學。

投幣率最大化的設計

關鍵原則：「意猶未盡」而非「被懲罰」

• ✅ 在巔峰時結束：比賽高潮時間到了→想再來
• ✅ 展示進度：「再2局就解鎖新車」
• ❌ 讓人覺得「被迫花錢」→產生負面情緒→不回來了
• ❌ 接關後從第一名變最後一名→沒人想接

10.6 長期回訪：為什麼一週後還想回來

三大回訪動力

更新頻率

SDT 三需求的長期滿足

10.7 評估指標

核心指標

次要指標

指標之間的關係

第一局體驗好 → 完賽率高
    ↓
差一點效應 + 成長感 → 接關率高
    ↓
多局累積 → 投幣率高
    ↓
社交+未完成目標 → 回訪率高

讓玩家「再來一次」靠的不是懲罰（「你輸了，不服氣就再投幣」），而是獎勵（「你進步了，差一點就破紀錄了，再一局就解鎖新車了」）。三個最強心理工具：(1) Near-Miss Effect——讓每次結束都是「差一點」；(2) Endowed Progress——讓進度條永遠「已經開始了」；(3) 社交——讓朋友的紀錄就在那裡等你超越。街機的商業模式不是「逼人花錢」，而是「讓人覺得再花一次值得」。

§11. 心流可控性與即時調控

六大系統如何協同維持整局心流——從觸發到維持到恢復的完整閉迴路

11.1 心流觸發機制

核心發現

好的設計能將心流觸發率從 ~8%（隨機發生）提升至 ~65%（刻意設計）。這不是魔法，而是理解大腦如何「進入狀態」，然後把所有條件一次備齊。

十大觸發方法

觸發機率公式（白話版）

心流發生機率 = 難度適合 × 注意力被抓住 × 沒被打斷 × 玩家想玩

計算：

• 好設計：0.85 × 0.90 × 0.90 × 0.95 = 0.654（≈65%）
• 差設計：0.30 × 0.40 × 0.50 × 0.70 = 0.042（≈4%）

「前 10 秒」法則

如果心流沒有在前 10 秒內啟動，整局體驗都有風險。

原因：街機玩家投幣後的心理狀態是「期待 + 微焦慮」，這是最佳觸發窗口。一旦過了 10 秒沒有進入狀態，大腦會切換到「評估模式」（這遊戲好不好玩？），此時再觸發心流需要 3 倍以上的刺激量。

前 10 秒設計清單：

• 0-2 秒：引擎聲轟鳴 + 倒數 3-2-1（注意力錨定）
• 2-4 秒：起步加速 G 力感（座椅震動）+ 速度線拉滿（感官包覆）
• 4-7 秒：第一個淺彎出現（操控回饋確認）
• 7-10 秒：第一個微成就（完美起步 / 第一超車）或第一個對手出現在視野

大腦機制白話版：專注力開關（LC-NE 系統）

大腦裡有一個「專注力開關」——藍斑核（Locus Coeruleus），它釋放正腎上腺素（NE）來控制你的注意力狀態。這個開關有 3 個模式：

設計目標： 永遠把玩家的 LC-NE 維持在🟢「專注模式」。

實現方法：

• NE 過低 → 加入對手壓迫、窄彎、計時壓力（拉高）
• NE 過高 → 降低 AI 難度、加寬賽道、給予成功回饋（拉低）
• 關鍵：調整幅度要小（±5-8%），轉換要慢（3 秒過渡），讓玩家感覺不到

11.2 脈衝式心流（Pulsed Flow）

核心概念

在 3-4 分鐘的街機遊戲中，心流不是連續不斷的，而是以 2-4 個脈衝 的形式出現。

想像心電圖：不是一條高位平線，而是有節奏的起伏波形。每一次「心流脈衝」是一段 15-40 秒的深度投入，之間有 5-15 秒的短暫喘息。

為什麼脈衝 > 連續？

大腦的 NE 系統有生物限制：

• 神經遞質消耗：高度專注持續超過 40-60 秒，NE 會暫時耗盡
• 感覺適應：同等強度的刺激持續太久，大腦會「習慣」而降低反應
• 對比效應：有「低點」才能凸顯「高點」的爽感
• 記憶編碼：短暫放鬆時大腦在整理剛才的體驗，形成「爽」的記憶

類比：

就像聽一首好歌——不是一直高潮，而是有起有落，副歌前的醞釀讓高潮更爽。

Verse（醞釀）→ Pre-chorus（張力累積）→ Chorus（爆發）→ Bridge（喘息）→ Final Chorus（最強爆發）

4 分鐘場次的時間結構

時間      │ 階段        │ 心流狀態        │ 設計重點
──────────┼─────────────┼─────────────────┼────────────────────────
0:00-0:15 │ 暖機        │ 啟動中 ▲       │ 感官轟炸、操控確認、第一微成就
0:15-0:45 │ 第一脈衝    │ ████████ 高     │ 第一組連續彎道 + 第一次超車
0:45-1:00 │ 第一釋放    │ ▽ 短暫下降     │ 長直線、風景開闊、背景音樂降
1:00-1:40 │ 第二脈衝    │ █████████ 更高  │ 技術彎道組 + 近身纏鬥
1:40-1:55 │ 第二釋放    │ ▽ 短暫下降     │ 隧道出口開闊 / 補充氮氣
1:55-2:40 │ 第三脈衝    │ ██████████ 最高 │ 高速段 + 排名決戰 + 捷徑抉擇
2:40-2:50 │ 最終釋放    │ ▽ 微降         │ 最後一個直線衝刺前的瞬間
2:50-3:15 │ 衝線脈衝    │ ████████████ 巔峰│ 全力衝刺 + 結果揭曉
3:15-3:30 │ 餘韻        │ 緩降 ↘         │ 慢動作重播、成績統計、再投幣提示

每個脈衝的 3 階段

每一次心流脈衝都經歷相同的微觀結構：

Reset（重置）3-5 秒
    ↓
Climb（攀升）3-8 秒
    ↓
Lock-in（鎖定）15-40 秒

「氮氣節拍器」作為脈衝觸發器

氮氣系統天然適合作為心流脈衝的「節拍器」：

• 充能週期 12-20 秒 ≈ 一個潛在心流脈衝的間隔
• 充能過程（Reset + Climb）：透過漂移/尾流/完美過彎累積 → 玩家持續進行技術操作
• 釋放瞬間（Lock-in 觸發）：按下氮氣 → 速度暴增 → 感官轟炸 → 進入深度投入
• 消耗完畢（脈衝結束信號）：氮氣用完 → 速度回落 → 自然進入下一個 Reset

設計要點：

• 氮氣不只是速度道具，它是「心流節拍器」
• 充能方式綁定技術操作 → 充能本身就在維持淺層心流
• 釋放瞬間是心流「鎖定」的觸發開關
• 整個循環的時間節奏（12-20 秒）恰好匹配大腦 NE 的自然充放電週期

11.3 Flow Curve 設計（新增）

概念

Flow Curve 是我們的核心分析工具：將 120 秒的遊戲過程，每 10 秒切一刀，標記玩家在該時段的主導情緒狀態。 連起來就是這局遊戲的「情緒曲線」。

就像作曲家看樂譜就知道這首歌的情緒走向，遊戲設計師看 Flow Curve 就知道這場比賽「好不好玩」。

五種情緒狀態代碼

理想 Flow Curve 形狀

一場好的 120 秒比賽，情緒曲線應該是這樣的：

情緒強度
  高 │          E    E         E  E     E  E  A
     │        ╱  ╲╱  ╲      ╱ ╲╱ ╲  ╱ ╲╱ ╲╱ ╲
     │      T      T   ╲  T       T        T    ╲
     │    ╱              ╲╱                       R
  低 │  R
     └──────────────────────────────────────────────→ 時間
      0s   20s    40s    60s    80s   100s   120s

分段設計原則：

不良 Flow Curve 模式