Games104——游戏引擎Gameplay玩法系统：基础AI

这里写目录标题

• 寻路/导航系统Navigation
• • [Walkable Area](#Walkable Area)
  • • [Waypoint Network](#Waypoint Network)
    • Grid
    • [Navigation Mesh（寻路网格）](#Navigation Mesh（寻路网格）)
    • [Sparse Voxel Octree](#Sparse Voxel Octree)
  • [Path Finding](#Path Finding)
  • • [Dijkstra Algorithm迪杰斯特拉算法](#Dijkstra Algorithm迪杰斯特拉算法)
    • [A Star（A*算法）](#A Star（A*算法）)
  • [Path Smoothing](#Path Smoothing)
• Steering系统
• [Crowd Simulation群体模拟](#Crowd Simulation群体模拟)
• • 群体模拟模型
  • • 微观方法：基于规则的模型
    • 宏观方法
    • 综合方法
  • 避免碰撞
  • • 基于力的模型
    • 基于速度的模型--速度障碍法
• Sensing环境感知
• 经典决策算法
• • [有限状态机（Finite State Machine）](#有限状态机（Finite State Machine）)
  • • 层次有限状态机（HFSM）
  • [行为树（Behavior Tree）](#行为树（Behavior Tree）)
  • • 可执行结点
    • 控制结点
    • 黑板（Blackboard）

AI分为16、17两节课讲，大纲如下：

寻路/导航系统Navigation

• 基本思路：
  

Walkable Area

需要让ai知道哪些部分可以通过（包含走路、跳、翻越攀爬、载具可过等不同情况，还要考虑物理碰撞）。

其表达方式有Waypoint Network、Grid、Navigation Mesh、Sparse Voxel Octree（空间八叉树）等。每种方式都尤其优缺点，因此游戏经常使用多种方式结合。

Waypoint Network

早期游戏引擎用的多，通过设置道路关键点（如道路两边）并用算法插值关键点得到路网，寻路时先找到距离当前位置和目标位置最近的路网点，再通过路网连通（就像坐地铁一样），如下图：

优点是好实现、效率高，缺点是不方便动态更新、总走路中间

Grid

地图网格化，类似光栅化，如下图：

优点是便于动态更新，缺点是精确度取决于格子大小、存储空间浪费、效率比较低、难以表达层叠结构（比如桥）

Navigation Mesh（寻路网格）

现代游戏引擎最普遍的方法，即把地图上所有可通行的区域连起来（用凸多边形），主要用物理碰撞与预测路线，既可以解决路线僵硬问题，又能应对层叠结构

优点是支持3d、精确、灵活、动态，缺点是生成Navigation Mesh的算法非常复杂，并且只能"寻路"，不能飞机3d空间导航

• 怎么生成Navigation Mesh呢？

  现在基本都是自动生成，用一些开源库如recast，voxelization后去计算可通行区域；然后再通过计算离边缘最近的edge voxel，得到一个类似距离场的东西；
  

  再找到每个区域距离边缘最远的中心点，用洪水算法向外扩散，直到覆盖所有区域，在通过进一步处理（比如连通区域变为凸多边形之类，比较复杂），这就是我们的生成的Mesh了
  

• Polygon Flag

  通过地形标签生成不同区域的mesh
  

• Tile

  那如果地图在动态变化怎么办，比如路障被用户打掉了。可以使用Tile把地图分块，部分地图更新后只需要重新计划该块tile即可
  

  把空间分成一个个Tile，当Tile改变时只需要更新这个Tile即可

• Off Mesh Link

  建立一些手动的连接点和连接线可以让寻路变得更加复杂，增强拓展性
  

Sparse Voxel Octree

把空间体素化，通过求交导航。可以表达3d空间的导航，主要用于航空航天游戏。但缺点是存储消耗大

通过八叉树划分空间

Path Finding

以上每种方式都可以把各个几何元素的中心连接为点图，只要找到最短路径即可。

所谓寻路问题主要就是解决两个问题：

1. 找到一条起点到终点的道路
2. 尽可能的少走弯路

这个过程也有几种算法，比如经典的：

深度优先搜索（Depth-First Search）：找到一个分支一直走，如果没有路就退回来，直到走到终点为止（时间换空间）

广度优先搜索（Breadth-First Search）：每一个step都向全部子节点扩散一步，直到找到终点（空间换时间）

但以上两种方式都比较费，并且不能计算加权最短路径，所以还需要更多算法帮助：

Dijkstra Algorithm迪杰斯特拉算法

可以解决有权图中最短路径问题，参考这个大佬的文章：图论：Dijkstra算法------最详细的分析，图文并茂，一次看懂！

截图自大佬博客:

但是对于游戏来说，有时候并不需要真的"最优路径"，只要按照大致方向走就行了，所以引入了下边的A Star算法

A Star（A*算法）

用的最普遍，是一种启发式算法，通过有选择的节点搜索找到最短路径，因此更快，常用于游戏或机器人导航。

原理是通过计算一个代价函数：f = g（从原点已经走过的路程的代价，一般累计路程距离） + h（到终点还有多远的代价，一般用欧拉距离或x+y），来逐步寻找最优下一步的路径（按照网格或mesh的划分），原理有些类似梯度下降。

Path Smoothing

把无效的运动尽可能踢掉

Funnel Algorithm烟囱算法：类似于人走路时对道路的感知，如下图：

从起始点看向下一个三角形，视野卡在三角形两端，如果能全部在视野中，就继续看下一个三角形，更新视野，直到某一个三角形被挡住一部分时，左边被挡沿左视野边走，右边被挡沿右视野边走；

走到被卡视野的遮挡点后，再重新进行上述过程；

如果迭代过程中发现终点就在视野里时则直接向终点走。

Steering系统

载具的移动受限于它们的移动能力：油门、刹车、转向等，所以经常会在寻路中被障碍物卡死

steer behavior：

• Seek/Flee：包括 追踪、巡逻、流场跟随、路径跟随
• 速度匹配：快到目标点减速，减速到速度为0时刚好到达目标点，比如火箭发射会用到
• 一致性：角速度的加速和减速，比如npc看向主角
  

Crowd Simulation群体模拟

现在的游戏城市环境交互等越来越丰富，那群体模拟必不可少，比如一群鸽子突然飞走，一群npc四散逃跑等。群体模拟需要做到：避免碰撞、成群的来回移动（Swarming）、编队运动（motion in formation）

群体模拟模型

群体模拟模型大致有三种：

微观方法（Microscopic)：自底向上的定义每个个体的行为，合起来就组成了群体行为。

宏观方法(Macroscopic)：定义群体宏观的运动趋势，所有个体按照该趋势移动。

综合方法(Mesoscopic)：将群体分组。既有宏观的趋势，也有微观的个体行为。

微观方法：基于规则的模型

比如动物的群体动力学，用简单规则控制每个个体的运动：

• 分离（Separation）：避开自己的所有"邻居"（斥力）
• 凝聚性（Cohesion：朝向群体的"质心"移动
• 一致性（Alignment）：和邻近的对象朝向同一个方向移动

好处是规则简单，坏处是宏观上是不可控且不怎么受人影响。

宏观方法

从宏观的角度模拟人群的运动，通过设置可通行区域和有势场或流体力学的控制运动，类似粒子系统运动？

综合方法

结合了宏观和微观方法，把群体分为很多小组，每组分别运动，同时组里的个体也有一点自己的区别。比如红警里圈出一群小兵运动时就是这样。

避免碰撞

这部分如果给ai做效率非常低，所以需要用一个碰撞系统帮助ai决策

基于力的模型

相当于使用距离场给障碍物增加一个反向力

好处：可以被拓展去模拟更慌乱的人群的行为。

坏处：类似于物理模拟，模拟的步骤应该足够小。

基于速度的模型--速度障碍法

类似人眼处理方式：当两个物体在同一速度线上行走，就都靠左边避让一点。

当参与的对象不止两个时，A 对 B 的避让可能又会影响到 C。所有需要做一些优化：Optimal Reciprocal

Velocity Avoidance（ORVA）。其数学复杂度非常高，不过实际中也会用基于力的方式替代（结果没那么丝滑但能用）

Sensing环境感知

对世界的感知是我们和ai决策的依据，感知分为内部和外部信息：

内部的信息包含位置、血量、护甲状态、增益状态、可以被自由获取的东西等等；外部的信息包含静态空间信息如Tactical Map战术地图、掩体等和动态信息如influenceMap人群热力图、视角图、游戏物体等。

这些非常类似人类对世界的感知（并不是上帝视角），有视觉、听觉并随距离衰减，有活动范围、视野等，但如果感知太多会影响性能，因此一般会取舍几个，并范围内共享信息

经典决策算法

经典决策算法有：
有限状态机（Finite State Machine）
行为树（Behavior Tree）：AI最核心的体系

层次任务网络（Hierarchical Tasks Network)

目标驱动的行为计划系统(Goal Oriented Action Planning)

蒙特卡洛搜索树(Monte Carlo Tree Search)

深度学习（Deep Learning)

有限状态机（Finite State Machine）

根据一些条件转换（Transition）一个状态到其他状态

比如吃豆人的状态机示例：

好处：容易执行、容易理解、对于简单例子，应对起来非常快

坏处：可维护性差，特别是添加和移动状态；重用性差，不能被应用于其他项目或角色；可扩展性差，很难去修改复杂的案例

层次有限状态机（HFSM）

把状态机分为很多层或模块，每个状态机之间有相互的接口，复杂度可控；虽然能部分解决上述问题，但是会造成一定的性能下降，难以跳模块，反应速度也会下降。15年前的很多游戏就是这么做的，属于"古老"的方法。

行为树（Behavior Tree）

行为树和人的思考类似，例如 人碰到一个敌人，会根据自己的状态来选择追击还是撤退。（一些复杂的商业决策也有类似决策树的逻辑）

可执行结点

分为条件节点和动作节点

条件结点可以立马执行完，而行为结点有一定过程，例如追鬼，首先得有寻路系统，然后还需要转向系统。行为也分为正在进行和失败等几种状态。

控制结点

• Sequence 顺序执行，&&：从左到右便利子节点，如果某个子节点返回 Failure 就停止整个行为，或者时所有子节点都成功执行，返回 Success，并执行该行为。
  

• Selector 条件执行，||： 根据条件尝试所有子节点，一旦某个子节点 满足条件，立马作出该决策。
  

• Parallel并行执行 ：一个 AI 体可以同时进行多个行为，例如对于射击游戏来说可以同时进行移动和射击。

• Decorator装饰节点：起修饰作用，例如循环执行、执行一次、计时器、定时等。
  

注意行为树tick更新时要每一帧都从根节点开始判断，这一点上也可以优化为正常从上一帧的节点继续，但某些优先级高的event会更新整棵树。

黑板（Blackboard）

用于记录行为状态，用于把数据与逻辑分离

• 行为树的好处：

  模块化、层级组织（每个子树可以被看作是一个模块）

  可读性高

  容易维护，并且修改只会影响树的一部分

  反应快，每个 tick 会快速的根据环境来改变行为

  容易 Debug，每个 tick 都是是一个完整的决策。

• 行为树的坏处

  如果不优化，每个 tick 都从根节点触发，会造成更大的开销

  反应性越好，条件越多，每帧的花销也越大

QA

行为树和if else有什么区别：if else就是最简单的行为树，行为树类似goto、jump等语言指令

ai如何从环境中提取数据（感知）：环境数据类型多数量多，其实很难读取，可以用引擎中的反射等技术解决；ai提取数据时效率其实不高，需要对感知做规划和指令

如何处理垂直邻面的NavMesh生成？根据高度设置为断开的悬崖或是可通过的障碍，如果可以攀爬另说

原文链接：