前言

继续抽空学一学公司的课程，最近可真是懒得不行。

AI和游戏

AI，人工智能，这几年很火的概念，简单来说，人工智能就是让计算机能够完成人类/动物的思维。人工智能也许比你想象的更广范，早期人工智能，称为专家系统，就是一种穷举大法，也算是人工智能。
在游戏中，我们也大量使用人工智能，人工智能运用于游戏性提升，游戏内容创作（美术），玩家数据分析。运用人工智能也会带来成本上升，以及有可能带来游玩时的不可控性。由于考虑到成本和收入不匹配，最新的机器学习以及神经网络还没有被运用到商业游戏中。

AI在Gameplay中的模块

由于不能截图，我也只能简单表达一下。

世界接口 AI获取游戏中的信息

集群AI 计算整个集群的策略单个角色AI 做出决策移动

表现动画/物理

执行管理器

移动和寻路

移动

AI移动方式可以分为：

掌舵移动（Steering Behaviors）：可以理解为AI拥有比较完整的控制器，我们可以像普通玩家控制游戏角色一样控制AI，只需要通过传入输入参数。这种AI移动更真实，更复杂。
坐标移动（Coordinated Behaviors）：Unity navmesh导航系统中，给AI一个坐标他就会自动移动到那个位置。这种基于终点坐标的移动就是坐标移动。
物理模拟（Predicting Physics）：就是使用物理引擎来移动AI。

到达目的地的判断

当然是使用和目的地的位置对比/碰撞检测。但是有时候AI物体的
体积太大，速度太快，或者集群AI数量太多，导致AI物体在目的地附近蠕动，对此我们往往需要做出相应调整。比如按物体大小加权的方式加大目的地检测范围，外围添加一个更大的减速圈。

寻路

寻路往往首先需要我们将场景抽象为一系列空间节点，然后根据寻路算法计算出起点到目的地的路径。游戏中最常见的最短路径算法为迪杰斯特拉/A算法，及其自定义魔改算法。
使用A算法，当运用于大量房间的场景时，可以将每个房间看作一个节点，先找到房间到房间的路径，再在每个房间中单独寻路，能节省不少。

世界表述

前面提到运用寻路算法需要将场景抽象为一个个空间节点。我们有好几种技术去实现。

网格类(Tile Graphs)：先前的A*算法学习笔记中的项目使用的就是网格类，将场景抽象为一个二维/多维网格，网格中的每个节点表示场景中的一个位置。要考虑角色是否能被一个网格容纳，以及当网格空间中的一部分有障碍物时应该如何判定网格性质。
网格类更多运用于战棋类游戏。
狄利克雷域/圆锥域(Dirichlet Domains)：由空间中某个高度的点向下的圆锥投影决定的一块区域，这块区域的大小，形状对于程序来说其实很好定义，但往往需要关卡策划进行实际的配置。特别适合大型网游中的AI寻路。
可视点(Points of Visibility)：将场景中的每个转角点看作节点，通过射线检查判断点与点之间的连接情况。这是一种很直观的世界表述法，有时对于节点我们更愿意选择一个偏移点作为实际移动目的地，因为节点完全靠墙。可视点方法的缺点是往往会生成很多无意义的连接。
导航网格(Navigation Meshes)：这是现在最流行的方式，导航网格有点集大成的感觉，具体方案就是将场景分割为一个个三角形/多边形，类似模型网格的感觉，然后以各个多边形的重心作为一个节点位置。通过记录上一帧物体所在位置，就可以很快得到当前帧物体在网格中的位置。和网格一样，我们需要主要划分的多边形能够容纳角色，由于导航网格是二维的，在三维空间中也需要判断上下。
当然，导航网格实际上要更复杂一些，往往根据项目进行不同优化。

决策制定

状态机

定义AI的有限个状态，根据条件在状态间切换。对于游戏编程，状态机非常好用且直观，不仅仅局限于AI。缺点是随着状态的增加，状态机会变得难以维护。为了更好的维护，我们往往对状态机进行分层。

行为树

一个树的数据结构，和数据结构一样，有根节点。有复合节点，叶子节点，以及装饰器。节点有三个结果：成功、失败和正在执行。
复合节点定义行为树的执行逻辑，分为选择节点和序列节点，选择节点从左到右依次执行，直到执行到成功的节点就会返回成功，没有返回成功的节点就返回失败。顺序节点则相反。叶子节点实际定义了行为。装饰器就是对结果进行取反。
行为树的逻辑清晰，并且复用性好，但是由于每一帧遍历整棵树一次，如果行为树的深度大，执行起来就比较慢，而且行为树往往要制作太多小节点。
为了对行为树进行优化，我们可以将多个节点放到一个数组，这样执行前一个节点，无论成功还是失败，下一个要执行的节点是明确的。我们也可以将状态机和行为树混用，比如在状态机进入某一个状态时执行一个子行为树。

GOAP

现在我们的AI有一个目标和若干行为，我们从所有行为中筛选能达成目标的一系列行为去执行，这就是GOAP。上述的行为和目标会被抽象成图，运用寻路算法(什么IDA*)来获取行为路径，这被称为Planner。
GOAP的决策是否灵活，但是稳定性差不可控。模拟人生就使用了这种方案。

AI的战术和策略

战术点(Waypoint Tactics)

路径点(Waypoint)就是游戏关卡中的一个位置。这个位置定义一个战术。比如LOL的草丛，AI会蹲进去埋伏。

战术分析(Tactics Analyses)

通过势力图(Influence Masp)，也就是一个定义了游戏区域中的控制区域、影响区域的图，让AI分析出战术。比如有一队AI马润要抢滩登陆，我们提前做好了海岸的敌人势力图，比如机枪碉堡的位置和射击范围，敌人士兵的分布位置和巡逻路线，甚至敌方士兵的作战能力，考虑上述要素形成的势力图。AI马润就可以根据势力图以最小的代价策划进攻路径。或者LOL队友在地图的某个地方和敌人打起来了，要让AI去参团，等等。
我们还可以加入地形分析，比如在RPG游戏中，射手站在高地攻击范围更远，伤害更高，也可以影响AI的战术分析。
势力图是相当有用的，但是往往会造成更多消耗，往往需要一些优化。