游戏AI的架构模型Word文档格式.docx
- 文档编号:13998352
- 上传时间:2022-10-16
- 格式:DOCX
- 页数:5
- 大小:276.87KB
游戏AI的架构模型Word文档格式.docx
《游戏AI的架构模型Word文档格式.docx》由会员分享,可在线阅读,更多相关《游戏AI的架构模型Word文档格式.docx(5页珍藏版)》请在冰豆网上搜索。
Wander随机徘徊。
设置一个圆周半径,每帧给Target附加随机位移,比AI只按照预设好的路线移动更加真实
FollowPath路径跟随。
设置radius路点半经,让AI在路径间切换更加真实
CollisionAvoidance避开障碍。
向前射线检测障碍物的包围圈,产生一个排斥力。
集体AI
组行为:
分离:
避免局部拥挤
队列:
朝向附近同伴的平均朝向
聚集:
向附近同伴的平均位置移动
Radar检测附近的AI角色(数学/Trigger)
Separation分离。
搜索领域内的其他邻居,计算两者间的向量并单位化,得到排斥力方向,排斥力大小与距离成反比
Alignment队列。
将AI的朝向纠正为和邻居一致,平均朝向减去当前朝向就是操控朝向
Cohesion聚集。
集体AI往往需要一个集体状态机,负责判断团队整体状态和动作
各个角色则需要完成动作的多层状态机设置,比如这层行动路线,下层具体行为,下层角度速度细节
AIDirector导演系统控制整局游戏流程
更多实例暂略……
A*寻路
A*(A-Star)算法是一种静态路网中求解最短路最有效的直接搜索方法,也是许多其他问题的常用启发式算法。
注意——是最有效的直接搜索算法,之后涌现了很多预处理算法(如ALT,CH,HL等等),在线查询效率是A*算法的数千甚至上万倍。
欧几里得/欧拉距离:
多维空间两点间的距离,即直线距离
曼哈顿距离:
估计到目标格子之间的水平和垂直方格的数量和,即不走斜路
地图,目标估计,代价,节点
导航图:
将地图用图表示
1、基于单元的导航图
将地图划分为多边形单元组成的规则网格。
易于动态更新,但时间空间消耗都大
2、创建可见点导航图
先手工放置一些路径点,然后若路径点之间可视,就能以边连接。
可以设置一些特殊点,适合简单的寻路
3、创建导航网格NavMesh
将可行走区域划分为凸多边形。
可以是多种多边形的组合,让网格划分更加合理
采用“视线确定”方法,向前跳到视线最远途经点,对路径进行后处理,得到更平滑的路径
效率高,空间小
以基于单元的导航图为例,执行A*算法
g(n):
起始节点到当前节点n的代价
h(n):
当前节点n到目标节点的估计代价
f(n)=g(n)+h(n)
从初始状态经由状态n到目标状态的代价估计
open表:
待考察的结点的优先级队列,代价从低到高(可以不排序,只找最小值)
closed表:
已考查的结点列表
①
②
第一步:
取起始结点,将其8个邻接点加入Open,并将各邻接点的父节点设置为起始节点,起始点加入Close
第二步:
计算open表中结点的代价f=g+h,计算规则是:
g:
取父节点g值,根据n点和父节点的连接方式计算。
如果是直角连接g++,对角连接g+=1.414
h:
采用欧几里得距离/曼哈顿距离[不考虑障碍物]
根据f大小来确定open表中下一个要被检查的节点
第三步:
取f最小结点,检查8个邻接点,障碍物点无视。
计算各邻接点通过当前结点得到的新g值,计算规则同上
新结点加入open表
已经在open表的,若新g值比原值大,不需更新。
若小于原值,则更新g,f,父节点,而不用更新h
已经在closed表的,按上图文字处理
第四步:
对于具有相等的最小代价值f的结点,可任选一个计算。
循环直到终点
其他
1.对于已经计算的(存在于open或closed表中)节点,无需再次计算,因为选择那些节点只会绕远
2.障碍物节点加入closed表,对于被open或closed表包围的节点,也加入closed表中
和Dijkstra算法的区别:
Dijkstra是BFS,不会去预估到终点的距离,因此在有多个权值相等的路径时会搜索很多不必要的结点。
而且没有考虑障碍物
A*是按照启发函数,向着目标搜。
很适合寻路
Dijkstra会求出所有点的最短路径,得到理论上的最优解,而A*则只会找需要计算的点。
结果是A*更快,但是不一定是最优解
Unity寻路
AI使用NavMeshAgent组件
如果要配合物理引擎使用,则AI需要有kinematic的刚体,表示刚体由nav控制
和Animator配合使用的话,最好不要用rootmotion
将地面勾选NavigationStatic,再打开Navigation视图,点击bake即可看到蓝色可达区域
NavigationArea可以设置object为不同Area,会用不同颜色表示
可以在NavMeshAgent中修改其可以行走的Area
OffMeshLink添加跳跃点(手动路径)
默认的NaveMeshAgent组件上面是勾选了AutoTraverseOffMeshLink(自动通过OffMeshLink)选项的。
这样的意思是人物只要到了OffMeshLink的开始点,就会自动的移动到OffMeshLink的结束点。
NavmeshObstacle
enable时不可通行,false时可通行。
此情况下物体不会暂停
寻路还有很多用法,这里就暂不详述了
AI感知事件
AI往往要感知视觉、听觉等信息来决策下一步的行为,其中又包括位置信息,对象属性信息,自身信息等
1、轮询(主动查询信息)
轮询类似编程中的switch-case,是AI周期性地查询所需要的信息,轮询非常常见,容易维护,但有效信息率低,花费性能较多
轮询中心(没有必要每个AI都进行一遍查询,而是集中处理需要查询的信息)
2、事件驱动(被动得知信息)
事件是一种高效的消息传递机制,由事件分发者主动通知每个感兴趣的AI,这样就使AI准时获得有效信息
可以做一个中心检测系统(事件管理器),记录每个AI感兴趣的事件,并通知他们,还方便了调试
3、Trigger触发器
触发器其实和事件比较接近,相比之下,触发器是事件的本源,比如监听声音的声音触发器,检测观察物的视觉触发器,等待时间的时间触发器等等
Trigger常用一个半径计算检测的范围,
Sensor感知器则定义了枚举类型和变量,保存了事件管理器
视觉感知:
圆锥形探测
听觉感知:
衰减范围。
而感知器也有对应的感知阈值
触觉感知:
碰撞器
记忆感知:
记忆List+Time留存时间
……
FSM有限状态机
finite-statemachine是表示有限个状态以及在这些状态之间的转移和动作等行为的数学模型。
最简单的用enum+switch即可实现
在Unity中,我们可以用Animator或其他FSM框架实现可视化状态机
但是对于一些复杂的AI,用FSM图十分繁琐,效率低且容易出错,对一般的AI来说,FSM就足够了
BehaviorTree行为树
行为树是由行为节点组成的树状结构
对于FSM,每个节点表示一个状态,而对于BT,每个节点表示一个行为。
行为树层次清晰,易于模块化,封装性好,可重用,是一种效果理想的AI编辑器
在BT中,节点是有层次(Hierarchical)的,子节点由其父节点来控制。
每个节点的执行都有一个结果(成功Success,失败Failure或运行Running),该节点的执行结果都由其父节点来管理,从而决定接下来做什么,父节点的类型决定了不同的控制类型。
AI实例
AI包括设计和实现两部分
AI设计
首先要根据需求,设计关卡中合适的AI,是个体还是集体,有什么特点,可行性,并制作相应的资源
AI的基本逻辑:
感知-行动-反应-学习
AI的基本能力
AI的基本属性
设计逻辑流程图/状态图
设计AI使用技能,就好比调用一个结点
2D横版AI
个体行动:
待更新
集体战术:
夹击,车轮,埋伏
3D平面AI
常见的技能行为有:
追寻,连击,远程攻击,固定线路攻击,绕路,反向攻击,跳起等等。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 游戏 AI 架构 模型