60. UE5 RPG 使用场景查询系统(EQS,Environment Query System)实现远程敌人寻找攻击位置

UE的Environment Query System(EQS)是环境查询系统,它是UE4和UE5中用于AI决策制定过程中的数据采集和处理的一个强大工具。EQS可以收集场景中相关的数据,利用生成器(Generator)针对用户的测试(Test)去筛选符合用户提出条件的最佳项目(Item)。

EQS允许开发者设置多种查询条件和测试,以评估游戏世界中的对象和环境。它提供了可视化的测试结果,便于开发者调试和优化查询。EQS常用于AI决策制定,如寻找最佳路径、选择攻击目标或找到安全位置等。

EQS的实现原理是将场景环境划分成多个点或按场景元素Actor进行划分,然后按照相应的设定规则对划分项进行打分,最后得分最高的Item即为系统所找到的最优查询结果。EQS将这个最优查询结果告知AI,AI行为树则会对来其进行相应的决策及执行。

接下来,我们要通过EQS去实现远程敌人在于玩家中间有物体遮挡时,将会主动移动到合理的位置,进行攻击。实现这个功能过程,我们将使用到EQS的功能,对敌人周围点进行测试,首先测试出来没有被遮挡的位置,然后测试出比较方便移动的位置。

如果需要查看官方文档,请前往此处 https://dev.epicgames.com/documentation/zh-cn/unreal-engine/environment-query-system-node-reference-in-unreal-engine?application_version=5.3

创建EQS

接下来,我们先创建对应所需文件,由于AI相关的内容比较多,我们先分好文件夹,将对应的内容放置到对应的文件夹中,接着创建EQS文件夹。

创建完成后,我们打开EQS文件夹,创建场景查询

我们将其命名为EQ_FindRangedAttackPosition

接下来,我们创建一个专门用于测试使用的Pawn,它是系统内置的,方便我们调试使用。

接下来方便测试,我们创建一个新场景,选择新建关卡

创建一个基础的关卡

选择保存关卡

保存到我们的Map文件夹

接下来将我们制作的测试Pawn拖入到场景中,它将只显示一个胶囊碰撞体,没有其它内容显示

我们选中测试Pawn,将我们创建查询模板设置给它

这样就实现了测试使用的场景,后续我们在查询模板内实现对应的功能,就可以在测试场景里面查看。

添加生成器

我们打开场景查询器,发现里面只有一个根,下拉需要我们添加一个生成器。Generators是用于生成潜在查询目标或位置的核心组件。

  • Actors Of Class 此类Generator的目的是寻找某一类特定的Actor。你可以指定要寻找的Actor种类,并设置搜索半径等参数来限制搜索范围。

  • Composite 复合Generator,允许你将两种或多种不同的Generator组合起来,使它们同时生效。

  • Current Location 使用当前位置作为采样点。当前位置可以使用Context进行选取,或是询问者自己,或是Context中返回的内容

  • Perceived Actors 通过感知组件去寻找某一类型的Actor,相当于Actors Of Class的扩展版本。

  • Points:此类型Generator会在一定的范围内遍历若干个点,并筛选其中满足Test条件的点。

  1. Points Circle 环形生成器。选取方式使用参考点(一般是询问者,或是Context提供的数据)向四周转圈发射射线。如果触碰到任何物体则将碰撞位置作为采样点,如无碰撞则以设定最大半径为采样点。可以设定半径和发射间隔角度

  2. Points Cone 锥形生成器

  3. Points Donut 环状生成器,区别于Circle,此生成器如同水波,一层一层向外扩散,直到最大半径

  4. Points Grid 简单的格子生成器,不对采样点进行路径规则校验,不可达位置也将被收集。收集方式:以参照位置(一般是询问者)为基准,垂直向上向下进行导航投射,如有导航覆盖,则返回采样点。

  5. Points Pathing Grid 格子生成器,采样点必须是导航可达,需要满足导航规则校验。收集方式:以参照位置(一般是询问者)为基准,垂直向上向下进行导航投射,如有导航覆盖并且参照位置可达,则返回采样点。

我们要实现敌人AI如果攻击目标前方有障碍物阻挡攻击路线时,能够切换位置去攻击,那么,我们将Points Pathing Grid 节点去实现遍历它附近的可导航到的位置点,然后进行攻击。

参数这里按需要调整

生成的点的数量影响结果以及效率,所以,需要我们按需去设置合理的参数

对点进行检测

前面,我们生成了周围的可移动的点,接下来,我们要实现对这些点进行检测,查找出一个最合理的点,让敌人可以移动到目标位置进行攻击。

再生成节点上面,提示我们鼠标右键点击添加测试。

接下来,我将从官网截图来解释每个测试的功能

  • Distance 距离测试节点,将选择器选取的点用给予和参照内容进行距离测试。距离越远则分值越大,如果希望越近分值越大请调整Score中的Scoring Equation,将线性递增改为递减(Inverse Linear)

  • Dot 使用点乘的方式,为选取点打分,值域范围0-1(点乘有负数,打分无负数,正面为1,背面为0,呈现扇形左右递增向1)。也可以对结果进行绝对值设定(勾选Absolute Value,结果为点乘后绝对值值域0-1,正面1,背面1,左右两边0)。点乘中的向量选取可以使用两点方式或是Rotation方式。

  • Gameplay Tags 使用标签进行询问测试 GamePlay Tags本身是为Actor查询操作提供分层,一般用于查询。

  • Overlap 在采样点,使用通道检测方式,返回是否有符合通道标记的内容存在。如存在返回1,反之返回0。检测形状,Box,Sphere,Capsule。用于检测查询某一个点附近是否存在某一样东西。

  • Pathfinding 将采样点与内容进行导航寻路器测试,可达则分数1,不可达为0。它将用于最终测试点生成,返回一个可达测试点。

  • Pathfinding Batch 将采样点与内容进行导航寻路器测试,可达则分数1,不可达为0。它会返回所有可达点,供下个测试项目使用。

  • Project 投射测试。可以用来修正生成器采样点位置。两种模式:导航投射,在采样点为基准,垂直向上向下进行导航检测,碰到导航覆盖点则修正采样点位置。形状检测,不考虑导航,只要在通道碰撞成立,则修正采样点到新的位置。

  • Trace 射线测试。用来测试采样点,到Context参照点之间是否存在遮挡,这是重要节点,一般可以用来寻找可以用来躲避的采样点(从采样点到敌人之间存在遮挡则认定可以躲避)。存在遮挡分数为1,不存在为0。注意:需要考虑高度问题,采样点一般均在地面,从地面直接发射射线到Context可能会出现被非常矮的物体阻挡,可以通过调整Height Offset解决此问题。

添加测试

前面我们讲解了每个测试节点的功能,接下来,我们将实现敌人寻找位置的功能。我们需要对所有的点进行检测,首先就是筛选掉那些无法查看到目标的点,然后将点和敌人进行距离判断,获取到一个最近的点,就是敌人需要移动到的攻击点位。

我们先添加一个Trace测试,这个测试用于检查AI是否能够直接看到目标,相当于射线检测。

在测试目的这里,有三个选项

它们的功能是筛选和评优先级

在检测这里,现在我们还是对AI所有者进行检测,被墙壁阻挡的点是无法通过筛选的。

但是我们需要筛选的目标不是AI持有者,而是玩家目标,引擎内置了两个选项

所以我们需要自定义一个用于获取玩家目标的,我们创建一个蓝图,继承至EnvQueryContext_BlueprintBase

将其命名为EQS_PlayerContext

我们需要重载内置的函数来实现返回,在需要调用时去实现调用

  • 提供单一位置:将由开发者自己定义一个位置返回。
  • 提供单一Actor:将有开发者提供一个可放置到场景中的对象返回
  • 提供位置集:需要返回一个位置数组
  • 提供Actor集:需要返回一个Actor数组

我们需要的是将玩家角色返回,所以重载提供Actor集

我们通过GetAllActorsOfClass在场景中寻找指定类的Actor,返回即可。

设置使用我们的情景

打开测试场景,发现,有些点被墙壁格挡无法查看到角色

由于红色才是留下来的点,所以,我们可以选择布尔匹配

接下来,我们使用距离测试来获取到最佳的移动点位,设置值评优先级,计算和AI的距离

我们会发现没有过滤的点上面都有优先级,点越绿,数值越高,优先级也就越高

所以我们将得分因数修改为-1

得到了我们理想的位置

在行为树中实现远程攻击

我们在远程攻击下面添加一个Run EQSQuery

查询模板设置我们创建的环境检测器,黑板健设置接收数据的健

然后增加一个MoveTo任务,移动到攻击位置

接着调用攻击,然后等待,我们就可以测试效果了。

现在,敌人自动躲避障碍物进行攻击,设置如果其他Actor遮挡了,也能够移动寻找不被躲避的位置。

相关推荐
985小水博一枚呀20 分钟前
【深度学习滑坡制图|论文解读3】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer
AltmanChan21 分钟前
大语言模型安全威胁
人工智能·安全·语言模型
985小水博一枚呀25 分钟前
【深度学习滑坡制图|论文解读2】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer·迁移学习
数据与后端架构提升之路35 分钟前
从神经元到神经网络:深度学习的进化之旅
人工智能·神经网络·学习
爱技术的小伙子40 分钟前
【ChatGPT】如何通过逐步提示提高ChatGPT的细节描写
人工智能·chatgpt
深度学习实战训练营2 小时前
基于CNN-RNN的影像报告生成
人工智能·深度学习
昨日之日20064 小时前
Moonshine - 新型开源ASR(语音识别)模型,体积小,速度快,比OpenAI Whisper快五倍 本地一键整合包下载
人工智能·whisper·语音识别
浮生如梦_4 小时前
Halcon基于laws纹理特征的SVM分类
图像处理·人工智能·算法·支持向量机·计算机视觉·分类·视觉检测
深度学习lover4 小时前
<项目代码>YOLOv8 苹果腐烂识别<目标检测>
人工智能·python·yolo·目标检测·计算机视觉·苹果腐烂识别
热爱跑步的恒川5 小时前
【论文复现】基于图卷积网络的轻量化推荐模型
网络·人工智能·开源·aigc·ai编程