【总结】游戏AI人工智能
参考书籍《Unity3D人工智能编程精粹》《Unity3D人工智能编程》
游戏AI的架构模型
- 运动层：AI的具体行为，比如移动
- 决策层：决定AI下一时间步该做什么
- 战略层：从集体层面对个体AI进行控制
除此之外，还要结合动画系统，物理引擎，感知系统等，共同组成人工智能
个体AI
- Seek是最常见的AI行为，最简单的实现是给AI添加一个修正力使之向目标移动
- Flee 和Seek相反，通常我们都要设置一个Distance范围判断结束行为。用Vector3.sqrMagnitude向量平方长度，计算会更快
- Arrival 到达目标减速至停止，可设置一个StopDistance，距离大于停止距离时给一个Force移向目标
- Pursuit 追逐会预测Target的未来位置，比如预测t时间内Target不会转向,AI将计算未来位置朝之移动。另外还可以用点乘计算夹角，判断双方是不是面对面
- Evade 逃避。与Pursuit反向
- 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
AI Director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root motion
- 将地面勾选Navigation Static，再打开Navigation视图，点击bake即可看到蓝色可达区域
Navigation Area 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
Off Mesh Link 添加跳跃点（手动路径）
默认的NaveMesh Agent组件上面是勾选了Auto Traverse Off Mesh Link（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。
Navmesh Obstacle
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-state machine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。
常见结点：Sequence，Selector，Parallel，Decorators
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
关于Unity-AI的更多技术，我将另外写篇博文