在低端设备上开发增强现实 (AR) 主要面临由硬件限制、软件优化要求和传感器限制带来的挑战。这些设备通常缺乏处理 AR 实时需求所需的处理能力、内存和高级组件，迫使开发者在性能、视觉质量和功能方面做出权衡。
首先，硬件限制严重制约了 AR 的能力。低端设备通常配备性能不足的 CPU 和 GPU，难以处理实时摄像头跟踪、3D 渲染和环境映射等任务。例如，同步定位与地图构建 (SLAM)——AR 的核心过程——需要持续处理传感器数据，才能将虚拟对象锚定在真实世界中。在低端设备上，这可能导致延迟、对象放置不准确或跟踪失败。此外，热节流也是一个问题：持续高 CPU/GPU 使用会导致过热，迫使设备降低性能以进行散热。这会导致 AR 会话期间帧率不稳定或应用崩溃。开发者必须简化算法或降低渲染质量来弥补，这会损害用户体验。
其次，内存和存储限制影响了资产质量和应用功能。低端设备通常内存有限（例如，2-3GB），难以加载高分辨率 3D 模型或纹理，否则会导致卡顿或崩溃。存储限制还迫使开发者使用压缩资产，从而降低视觉保真度。例如，一个细节丰富的 AR 角色模型可能需要替换为低多边形版本以适应内存预算。此外，许多低端设备不支持 ARCore 或 ARKit 等高级 AR 框架，要求开发者依赖优化不足的自定义解决方案。这些替代方案可能无法有效处理遮挡、光照或物理效果，导致沉浸感降低。
第三，低端设备上低质量的传感器和摄像头会导致跟踪不准确。AR 严重依赖摄像头输入和惯性传感器（加速度计、陀螺仪）来跟踪设备移动和环境特征。低端摄像头通常分辨率较低、自动对焦较慢或帧率不稳定，这使得检测表面或平滑跟踪运动变得困难。例如，预算型设备的摄像头可能在低光条件下表现不佳，导致虚拟对象出现位置偏移或不稳定。同样，廉价的传感器可能产生嘈杂的数据，导致动画抖动或漂移。有些设备还缺乏深度传感器，迫使开发者使用基于软件的深度估计，这计算成本高且准确性较低。这些问题需要额外的软件变通方法，进一步加剧了本已有限的资源紧张。