赛车类游戏排行(赛车类游戏)

与车无限接近，盘点十大经典的赛车游戏！

汽车这种神奇的四轮机器，吸引着全世界无数的车迷，但毕竟车是个大件，几万甚至几十万上百万的汽车对于很多车迷来说都还有不小的距离，而道路的限制也让很多喜欢车的人没法尽情的去驾驶汽车。

但是还好，为了满足广大车迷无止境的开车需求，竞速类游戏这个最伟大的发明应运而生，我们坐在家里就可以享受到汽车带给我们的乐趣。今天，我们就来盘点一下，十大最好玩的竞速类游戏。

第十名：疯狂出租车

疯狂出租车是SEGA（世嘉）公司于1999年开发的一款汽车游戏，玩家扮演一位疯狂的出租车司机，接到乘客后要用最短的时间送达目的地，漂移、飞车、两轮行驶，你可以用任何方式到达目的地，只要足够快。是一款娱乐向的汽车游戏。

第九名：极限竞速

极限竞速系列是微软游戏主机XBOX上的独占大作，目的就是为了超越索尼游戏主机PS上大名鼎鼎的GT赛车，所以在画面、仿真程度、可玩性方面都拥有非常优秀的体验，目前极限竞速系列已经进化到第3代，整体素质非常优秀，是XBOX平台最好玩的赛车类游戏。

第八名：科林麦克雷拉力赛

科林麦克雷拉力赛是由制作竞速类游戏非常拿手的欧美游戏厂商Codemasters制作发布，于1998年上市，至今已有6部续作。这款游戏以1995年WRC总冠军科林·麦克雷为游戏名，真实还原了WRC世界拉力锦标赛，玩家可以在这部游戏中享受到非常逼真的拉力赛体验。

其实只说科林麦克雷拉力赛还有很多人不知道，但我要是说《尘埃》系列，估计很多人就知道了。尘埃系列其实就是科林麦克雷系列中的作品，只不过北美地区直接命名为《尘埃》而已。

第七名：极品飞车

极品飞车系列想必大家都非常熟悉了，是EA于1994年发行，至今已推出20个作品的经典竞速类游戏。极品飞车系列的仿真程度不高，但玩起来更加爽快，适合更加偏向娱乐的玩家。2014年3月，极品飞车电影正式上映，我个人觉得这部电影还是比较好看的，有兴趣的车迷可以去了解一下。

第六名：超级马里奥赛车

可能没玩过任天堂游戏机的人对马里奥赛车会比较陌生，但超级玛丽这个名字却被很多人所熟知，马里奥赛车就是超级玛丽中人物参与的赛车游戏。马里奥赛车是一款类似于《跑跑卡丁车》的游戏，是一款娱乐向的赛车游戏。玩家可以在比赛中“吃”到各种各样的道具，然后对其他人发起攻击，最后拿到名次。

第五名：OUTRUN

说起这个游戏，可能百分之80的人都没听说过，不过要是看一眼游戏画面，估计百分之90的人都玩过。没错，这就是小时候在街机厅里玩的最好玩的赛车游戏，直到PC开始流行，这个游戏依旧是很多人手上游戏机中的必备游戏。

第四名：F-ZERO

F-ZERO又称未来赛车，是任天堂旗下的一款科幻竞速类游戏，很多人可能没玩过这个游戏，但一定玩过哪些开着战机去比赛的类似的游戏，而F-ZERO则是这些游戏的鼻祖。

第三名：F1

F1系列作品依旧由擅长制作竞速类游戏的公司Codemasters发行，全系以F1赛车为主题，玩家可以驾驶过去30年里标志性的F1赛车。在开腻了房车和拉力赛车后，不妨尝试一下世界上最快的赛车之间的较量！

第二名：Pole Position

Pole Position意为首发，又可以称之为杆位，但这里的Pole Position其实是一款非常著名的赛车游戏。这款游戏的画风与OUTRUN类似，早在1982年就发布了，话不多说，放一张图大家就知道是什么游戏了，可以说Pole Position几乎是所有竞速类游戏的鼻祖。

第一名：Gran Turismo

要说全世界最有名的竞速类游戏，非GT赛车莫属。这部由SCEJ旗下著名制作人山内一典领衔研发的赛车游戏，有着最真实赛车游戏的美誉，至今已在全球售出了超过9000万套，要知道GT赛车仅在索尼游戏主机PS平台上发布。

2013年12月31日，GT赛车的最新作品《GT赛车6》发布，收录了多达33条赛道和1200种车型，以及上千种车轮定制和动力改装，成为当之无愧的世界第一赛车游戏。玩家几乎可以在游戏中开上任何一辆性能车，进行任何自己想要的改装。

轮到你说：暴露年龄的时候到了，你玩过哪几个游戏？

本文为“吴佩频道”原创，作者：寒霜。

吴佩频道：由车评人吴佩创立，和他的朋友们一起，专为深度懂车、玩车人群、意见领袖打造的一个高端受众品牌。

微信搜索“吴佩频道”即可关注

Steam97%好评如潮！盘点8款玩法各异的赛车游戏

文：Along

“心里话就是想开车，我就是想开车，我从小就想开车”，炊事班小毛的开车圣经各位肯定不陌生。从《头文字D》《湾岸》到 F1 大奖赛、纽北刷圈、越野跑山，随着年龄逐渐增长，驾驶乐趣看似离我们越来越近，实则可能仍旧遥不可及，毕竟没人能在早晚高峰拥挤的柏油路上露出笑容吧……

现实生活中道路千万条，安全第一条。遵守交通规范为生命安全负责是每个人的责任与义务，那不如还是看看远处的电子游戏吧，家人们！今天我们将介绍 8 款 Steam 平台的“赛车”游戏，其中包括拟真系、胡逼系、合家欢等等类型，总有一款能让你感受到寻觅已久的驾驶乐趣！

首先推荐的作品可能会打破大家的“赛车游戏刻板印象”，它与其说是一款赛车游戏，到不如看成横版平台跳跃游戏更为贴切。没错，育碧旗下的《特技摩托》系列。

最新作《特技摩托：崛起》（Trials Rising）刚发售时就有玩家表示，这哪儿是赛车游戏妥妥的“魂”类游戏！各位还真别认为这俩游戏不挨着，《特技摩托：崛起》不同于其他竞速类游戏，我们需要控制摩托在横版地图上穿行并完成各种特技动作，规定时间内达到终点之外还需要获取一定的动作分数。

在陡峭的悬崖上驾车翻跟头、指尖轻推摇杆一帧一帧登上平台、快速行进中准确穿越火圈.....诸如此类的微操在游戏中比比皆是，难度上还真是直逼“宫崎老贼”的作品。今年《艾尔登法环》的热度风靡一时，前段时间就有玩家制作了《特技摩托：崛起》的“老头环”MOD，我们要驾驶摩托在交界地中穿梭，这下“魂”类游戏实锤了！

不过新朋友也不必担心，《特技摩托：崛起》教程系统从移动到特技事无巨细，耐心看完就能很快上手。同时各个关卡的难度曲线设计也极为合理，每通过一关我们就能感觉到自身的成长，以便下次跑出更高分数解锁更多地图/关卡。当你费尽九牛二虎之力打通普通模式，双人摩托模式和 Hard 关卡将会继续为你带来快乐与“折磨”！总而言之，如果你并不喜欢竞速，但热衷于挑战自己，那么育碧的《特技摩托：崛起》肯定能带来优质游戏体验。本作已经上架杉果，领券购买价格更实惠哦。

这次推荐的第二款作品就比较大众啦，近年来《极限竞速 地平线》系列热度毋庸置疑，它已经火到让我怀疑自己是否有必要再来老生常谈。

最新作《极限竞速 地平线5》（Forza Horizon 5）用电影级画质和车辆建模，搭配十分丰富的开发世界要素，从而形成了一种独特的赛车游戏氛围。地平线系列不需要你全情投入苦练技术也能收获乐趣，每局比赛结束后的抽奖券、开车闲逛达成小目标等等奖励，无时无刻地给予玩家满足感，可以说打开游戏你就能感受正反馈，这是其他赛车游戏所不具备的优势。

新 DLC“风火轮”虽然沿用了很多前代设计，但“好玩”二字依然充斥在流程中的每个角落。谁不想开着豪车纵横天际呢？开放世界+电影级画质+赛车有没有搞头？微软 Xbox 用事实告诉所有人，不仅有，受众群体还非常广泛！如果你是赛车游戏新手，那么《极限竞速 地平线5》就是最好的入坑作没有之一。最最重要的是本作加入了 XGP 游戏库，上手门槛非常廉价，哪怕尝试后没兴趣也不会吃亏，毕竟库里还有成百上千款各色游戏等着你呢。

考虑到微软 Xbox 的《极限竞速 地平线》系列开放世界玩法自成一派，索尼 PS 的《GT 7》又有平占限制，咱们 PC 玩家的拟真系赛车游戏终点，应该就是被国际汽联赛车运动会电竞项目选中的《神力科莎：竞速》（Assetto Corsa Competizione）啦。

《神力科莎：竞速》是一款非常纯粹的模拟作品，甚至有玩家评论：如果你想让孩子成为赛车手，先让 TA 接触本作准没错。《神力科莎：竞速》对比其他作品最大特点是对赛事规则的还原，游戏内有官方赛车手、车队、车辆与赛道，比赛中玩家不能频繁出界，不能违规转弯，也不能在维修区超速行驶。可以说是逐步理解本作玩法，你就懂得了大部分 GT 系列赛规则和赛车礼仪。

当然，纯粹也代表着上手门槛和练习成本，想要提升成绩并非易事，如果你要接触线上对战，那么玩家素质参差不齐也可能带来不好的体验，虽然“鱼雷”现象并不算多见，但遇上一次足以恶心半天。所以还是推荐各位先在线下模式，熟悉自己的车辆并掌握赛道的最优线路跑法，再去尝试线上竞技。

值得一提的是，《神力科莎：竞速》中同级别赛事下所有可用车辆的性能不会天差地别，不用担心苦练的技术被氪金要素或者收集时长所打败。它就像格斗游戏一样，只要你技术够强那么收获冠军就仅仅是磨炼技术过程中顺便达成的结果罢了。如果喜欢纯粹拟真系赛车游戏，那么《神力科莎：竞速》就是 PC 端最佳选择。

既然提到了赛车游戏，那大名鼎鼎的《极品飞车》系列肯定不能缺席。最新作《极品飞车：不羁》要 12 月 3 日才会发售，我们不如先将视线转向折扣中的《极品飞车：热度》（Need for Speed™ Heat）。

其实该系列也不必过多介绍，拟真不拟真从来不是头等要务，《极品飞车》首要保证精致的车辆建模和画面质量，搭配稍显王道的爽快剧情，玩家只要负责猛踩油门一路狂飙就好！

当然，如果说完全不需要技术，那肯定还是冤枉人家了。特别是《极品飞车：热度》前期各种改装尚未齐整的时候，无论漂移还是跑线都不能算简单。入弯减速、弯心路线选择、出弯给油等等细节，还是十分拟真得给新手玩家造成麻烦。不过慢慢适应游戏节奏，最终越跑越好也是本作正反馈来源之一。到了后期解锁各种炫酷车辆和新型改装，爽快感也就随之而来了。

如果其他赛车游戏是速度与的代名词，那《欧洲卡车模拟》系列就恰恰相反，我甚至能在其中品出一丝“禅意”。笑死，或许《禅与摩托车维修艺术》游戏化之后就是《欧洲卡车模拟2》（Euro Truck Simulator 2）吧。

《欧洲卡车模拟2》是一款交通运输模拟游戏，Steam 414,010 份评价中斩获 97% 好评如潮。我们要驾驶各个型号的卡车，行驶在超过 60 个欧洲城市中运送大量货物。游戏对于驾驶手感、道路状况、改装配件的拟真还原，让本作称得上 3D 版“驾考宝典”。如果你在家里窗帘一拉配上方向盘，仿佛瞬间就置身于欧洲公路之上，临场感这一块“欧卡”属实是拿捏到位了。

尽管《欧洲卡车模拟2》操作不算多困难，但对驾驶技术的挑战仍旧存在，想要赚钱购买售价高昂的新车，那一路上遵守交通规则避免碰撞就是难点之一。当然，本作更大的卖点还是悠闲开车送货看风景，如果对你胃口那市面上几乎找不到替代品。当然也有很多朋友疑惑，只有开车送货真的好玩吗？只能说见仁见智，至少每天睡前打开游戏去欧洲逛逛，我不仅能放松大脑三省吾身，更能换来一夜无梦的良好睡眠。就算不冲着闲适驾驶，这“电子褪黑素”功效也足以给出好评啦。

合家欢赛车游戏的赛道中，《马力欧卡丁车8》无疑是领头羊之一，但苦于 NS 独占的门槛很多朋友无法接触。那么 PC 端有没有平替呢？其实倒也有不少，童年回忆《跑跑卡丁车》新作“漂移”口碑不错，但全球服务器又成了另一种门槛，网络质量懂的都懂。所以，我更推荐各位试试《团队索尼克赛车》（TEAM SONIC RACING）。

《团队索尼克赛车》Steam 页面写着不支持简体中文，实际上游戏内包含中文。我们可以控制索尼克系列的经典角色，在第三人称视角下进行赛车比赛。本作最大的特点是即便在单人模式下，也有两名电脑队友与我们一同参赛，队友的存在让赛制有了微妙的变化。

我们不仅可以跟在队友车后尾流加速、交换道具，甚至还有团队技能的设定，这让竞速之中多了一丝策略性，技术不再是唯一影响输赢的因素，有时候捡到好道具更为重要，这也与其他作品形成差异性。

当然如果能找到朋友与你一起体验《团队索尼克赛车》，那么本作的团队玩法就能更充分利用起来，适时沟通配合无论是一较高下还是一同击败强敌，都能收获满满正反馈，合家欢游戏独有的乐趣体现得淋漓尽致。什么你说匹配系统？虽然不想打击积极性，但网络质量欠佳也是事实，各位如果只想玩网络对战需要谨慎入手。

哦，对了《尼克国际儿童频道卡丁车3》（Nickelodeon Kart Racers 3: Slime Speedway）也将于 10 月 15 日上架杉果，玩家可以控制海绵宝宝、忍者神龟、淘气小兵兵等经典角色在赛场竞速，同样是合家欢类赛车游戏的不错选择。感兴趣的朋友记得到时候来杉果看看，领券购买绝对实惠。

大多数赛车游戏需要我们循规蹈矩跑赛道，但越野之心的感受就被忽略了吗？别担心，《雪地奔驰》（SnowRunner）就是越野党的最佳选择。

《雪地奔驰》不强调与人竞速或者赛道刷圈速，我们的对手转而变成大自然与恶劣环境。玩家要驾驶各种专门为极端地形而生的“机械怪兽”，穿越泥地、湍流、雪地和冻湖，完成危险重重的合同和任务。

值得一提的是，本作不仅包含单人玩法，还支持 4 人合作模式。“哥们儿，我***陷进泥里出不来了，快救！！！”然后你们俩就一起陷进去了……这类妙趣横生的对话在合作模式中屡见不鲜，下班回家和朋友一起送送货，当真称得上解压又放松。

如果你想升级自己的座驾，《雪地奔驰》也提供了 40 种独特车辆以供解锁，此外各种属性升级和自定义改装件的存在，也进一步保证了个性化与可玩性。总的来说，如果喜好更趋向于越野和征服自然，那么本作一定能带给你无尽乐趣！

赛车足球游戏《火箭联盟》（Rocket League）是今天推荐的最后一款作品，说起来很难给它一个准确的定位。虽然多少沾点 KY，不过各位可以理解成《守望先锋》夏季运动会踢球模式的赛车版。

本作的玩法很好理解，就是控制车辆把球顶进对方球门，时间结束得分高的队伍取胜。自发售以来，开发组保证了内容更新速度，同时电子竞技比赛和玩家社群氛围都十分火热，种种这些足以证明本作的趣味性。

《火箭联盟》早已转为免费游戏，不过 Steam 版因为 Eipc 独占协议而下架，国区版也因为各种原因尚未恢复下载渠道。所以感兴趣的各位只能去体验国际版啦，增加了部分门槛但某种意义上似乎也不算完全坏事。喜欢赛车和踢球的朋友，可以尝试一下。

好啦，今天的 Steam 赛车游戏推荐到这里就结束了。一家之言难免片面，如果遗漏了你的心头好，欢迎在评论区补充分享。如果觉得我们做得不错，可以点赞关注。当然，也欢迎提出意见和建议，让我们下篇文章再见。啵啵~

（文中图片均来源于网络，如有版权问题请联系作者删除）

基于自动编码器的赛车视角转换与分割

本篇文章将介绍如何将赛道的图像转换为，一个分割鸟瞰图的轨迹。

如下所示，输入图像为

输出：

总结来说我们的任务是获取输入图像，即前方轨道的前置摄像头视图，并构建一个鸟瞰轨道视图，而鸟瞰轨道视图会分割不同的颜色表示赛道和路面的边界。

仅仅从输入图像中提取出关于走向的信息是相当困难的，因为未来的许多轨道信息被压缩到图像的前20个像素行中。鸟瞰摄像头能够以更清晰的格式表达关于前方赛道的信息，我们可以更容易地使用它来规划汽车的行为。

在正常行驶时拍摄鸟瞰图是非常难实现的，所以如果我们可以使用前置摄像头的图像重建这些鸟眼图像，就能让我们用更清晰信息来进行路径的规划。另一个好处是可以降低维度，有效地将整个图像表示为一组32个数字，这比整个图像占用的空间少得多。并且如果还可以使用这种低维数据作为强化学习算法的观察空间。

本文中利用一种叫做变分自动编码器(VAEs)的工具来帮助我们完成这项任务。简单地说，我们把图像压缩到32维的潜在空间，然后重建我们分割的鸟瞰图。本文末尾的PyTorch代码显示了完整的模型代码。

为了训练这一点，我们从前置摄像头和鸟类摄像头收集了一系列图像。 然后用编码器进行编码，然后使用全连接的层将维度降低到目标大小，最后使用解码器用一系列反卷积层重建图像。

结果如下所示：

虽然我们可以在重建中看到一些噪声，但它可以很好地捕捉到整体曲线。 代码如下：

import cv2import tqdmimport numpy as npimport torchimport torch.nn as nnimport torch.nnctional as Fclass BEVVAE(nn.Module):"""Input should be (bsz, C, H, W) where C=3, H=42, W=144"""def __init__(self, im_c=3, im_h=95, im_w=512, z_dim=32):super().__init__()self.im_c = im_cself.im_h = im_hself.im_w = im_wencoder_list = [nn.Conv2d(im_c, 32, kernel_size=4, stride=2, padding=1),nn.ReLU(),nn.Conv2d(32, 64, kernel_size=4, stride=2, padding=1),nn.ReLU(),nn.Conv2d(64, 128, kernel_size=4, stride=2, padding=1),nn.ReLU(),nn.Conv2d(128, 256, kernel_size=4, stride=2, padding=1),nn.ReLU(),nn.Conv2d(256, 512, kernel_size=4, stride=2, padding=1),nn.ReLU(),nn.Flatten(),]self.encoder = nn.Sequential(*encoder_list)self.encoder_list = encoder_listsample_img = torch.zeros([1, im_c, im_h, im_w])em_shape = nn.Sequential(*encoder_list[:-1])(sample_img).shape[1:]h_dim = npd(em_shape)self.fc1 = nn.Linear(h_dim, z_dim)self.fc2 = nn.Linear(h_dim, z_dim)self.fc3 = nn.Linear(z_dim, h_dim)self.decoder = nn.Sequential(nn.Unflatten(1, em_shape),nn.ConvTranspose2d(em_shape[0],256,kernel_size=4,stride=2,padding=1,output_padding=(1, 0),),nn.ReLU(),nn.ConvTranspose2d(256, 128, kernel_size=4, stride=2, padding=1, output_padding=(1, 0)),nn.ReLU(),nn.ConvTranspose2d(128, 64, kernel_size=4, stride=2, padding=1, output_padding=(1, 0)),nn.ReLU(),nn.ConvTranspose2d(64, 32, kernel_size=4, stride=2, padding=1, output_padding=(1, 0)),nn.ReLU(),nn.ConvTranspose2d(32, im_c, kernel_size=4, stride=2, padding=1, output_padding=(1, 0)),nn.Sigmoid(),)def reparameterize(self, mu, logvar):std = logvar.mul(0.5).exp_()esp = torch.randn(*mu.size(), device=muice)z = mu + std * espreturn zdef bottleneck(self, h):mu, logvar = self.fc1(h), self.fc2(h)z = self.reparameterize(mu, logvar)return z, mu, logvardef representation(self, x):return self.bottleneck(self.encoder(x))[0]def encode_raw(self, x: np.ndarray, device):# assume x is RGB image with shape (bsz, H, W, 3)p = np.zeros([x.shape[0], 95, 512, 3], np.float)for i in range(x.shape[0]):p[i] = x[i][190:285] / 255x = p.transpose(0, 3, 1, 2)x = torch.as_tensor(x, device=device, dtype=torch.float)v = self.representation(x)return v, v.detach().cpu().numpy()def squish_targets(self, x: np.ndarray) -> np.ndarray:# Take in target images and resize themp = np.zeros([x.shape[0], 95, 512, 3], np.float)for i in range(x.shape[0]):p[i] = cv2.resize(x[i], (512, 95)) / 255x = p.transpose(0, 3, 1, 2)return xdef encode(self, x):h = self.encoder(x)z, mu, logvar = self.bottleneck(h)return z, mu, logvardef decode(self, z):z = self.fc3(z)return self.decoder(z)def forward(self, x):# expects (N, C, H, W)z, mu, logvar = self.encode(x)z = self.decode(z)return z, mu, logvardef loss(self, bev, recon, mu, logvar, kld_weight=1.0):bce = F.binary_cross_entropy(recon, bev, reduction="sum")kld = -0.5 * torch.sum(1 + logvar - mu ** 2 - logvar.exp())return bce + kld * kld_weight

以上代码修是从L2R示例代码进行了进一步修改，https：//github/learn-to-race/l2r

Pytorch中的VAE代码来自：https：//github/sksq96/pytorch-vae

作者：Nandan Tumu