參考書籍《Unity3D人工智能編程精粹》《Unity3D人工智能編程》
游戲AI的架構模型
- 運動層：AI的具體行為，比如移動
- 決策層：決定AI下一時間步該做什么
- 戰略層：從集體層面對個體AI進行控制
除此之外，還要結合動畫系統，物理引擎，感知系統等，共同組成人工智能
個體AI
- Seek 是最常見的AI行為，最簡單的實現是給AI添加一個修正力使之向目標移動
- Flee 和Seek相反，通常我們都要設置一個Distance范圍判斷結束行為。用Vector3.sqrMagnitude向量平方長度，計算會更快
- Arrival 到達目標減速至停止，可設置一個StopDistance，距離大於停止距離時給一個Force移向目標
- Pursuit 追逐會預測Target的未來位置，比如預測t時間內Target不會轉向,AI將計算未來位置朝之移動。另外還可以用點乘計算夾角，判斷雙方是不是面對面
- Evade 逃避。與Pursuit反向
- Wander 隨機徘徊。設置一個圓周半徑，每幀給Target附加隨機位移，比AI只按照預設好的路線移動更加真實
- FollowPath 路徑跟隨。設置radius路點半經，讓AI在路徑間切換更加真實
- CollisionAvoidance 避開障礙。向前射線檢測障礙物的包圍圈，產生一個排斥力。
集體AI
組行為
- 分離：避免局部擁擠
- 隊列：朝向附近同伴的平均朝向
- 聚集：向附近同伴的平均位置移動
Radar 檢測附近的AI角色（數學/Trigger）
Separation 分離。
搜索領域內的其他鄰居，計算兩者間的向量並單位化，得到排斥力方向，排斥力大小與距離成反比
Alignment 隊列。將AI的朝向糾正為和鄰居一致，平均朝向減去當前朝向就是操控朝向
Cohesion 聚集。
集體AI往往需要一個集體狀態機， 負責判斷團隊整體狀態和動作
各個角色則需要完成動作的多層狀態機設置，比如這層行動路線，下層具體行為，下層角度速度細節
AI Director導演系統控制整局游戲流程
更多實例暫略……
A*尋路
A* （A-Star)算法是一種靜態路網中
求解最短路最有效的直接搜索方法，也是許多其他問題的常用啟發式算法。注意——是最有效的直接搜索算法，之后涌現了很多預處理算法（如ALT，CH，HL等等），在線查詢效率是A*算法的數千甚至上萬倍。
歐幾里得/歐拉距離： 多維空間兩點間的距離，即直線距離
曼哈頓距離：估計到目標格子之間的水平和垂直方格的數量和，即不走斜路
地圖，目標估計，代價，節點
導航圖：將地圖用圖表示
1、基於單元的導航圖
將地圖划分為多邊形單元組成的規則網格。易於動態更新，但時間空間消耗都大
2、創建可見點導航圖
先手工放置一些路徑點，然后若路徑點之間可視，就能以邊連接。可以設置一些特殊點，適合簡單的尋路
3、創建導航網格NavMesh
將可行走區域划分為凸多邊形。可以是多種多邊形的組合，讓網格划分更加合理
采用“視線確定”方法，向前跳到視線最遠途經點，對路徑進行后處理，得到更平滑的路徑
效率高，空間小
以基於單元的導航圖為例，執行A*算法
g(n)：起始節點到當前節點n的代價
h(n)：當前節點n到目標節點的估計代價
f(n)=g(n)+h(n) 從初始狀態經由狀態n到目標狀態的代價估計
open表：待考察的結點的優先級隊列，代價從低到高（可以不排序，只找最小值）
closed表：已考查的結點列表
①
②
第一步：取起始結點，將其8個鄰接點加入Open，並將各鄰接點的父節點設置為起始節點，起始點加入Close
第二步：計算open表中結點的代價f=g+h，計算規則是：
g：取父節點g值，根據n點和父節點的連接方式計算。如果是直角連接g++，對角連接g+=1.414
h：采用歐幾里得距離/ 曼哈頓距離[不考慮障礙物]
根據f大小來確定open表中下一個要被檢查的節點
第三步：取f最小結點，檢查8個鄰接點，障礙物點無視。
計算各鄰接點通過當前結點得到的新g值，計算規則同上
新結點加入open表
已經在open表的，若新g值比原值大，不需更新。若小於原值，則更新g,f,父節點，而不用更新h
已經在closed表的，按上圖文字處理
第四步：對於具有相等的最小代價值f的結點，可任選一個計算。
……
循環直到終點
其他
1.對於已經計算的（存在於open或closed表中）節點，無需再次計算，因為選擇那些節點只會繞遠
2.障礙物節點加入closed表，對於被open或closed表包圍的節點，也加入closed表中
和Dijkstra算法的區別：
Dijkstra是BFS，不會去預估到終點的距離，因此在有多個權值相等的路徑時會搜索很多不必要的結點。而且沒有考慮障礙物
A*是按照啟發函數，向着目標搜。很適合尋路
Dijkstra會求出所有點的最短路徑， 得到理論上的最優解，而A*則只會找需要計算的點。結果是A*更快，但是不一定是最優解
Unity尋路
- AI使用NavMeshAgent組件
- 如果要配合物理引擎使用，則AI需要有kinematic的剛體，表示剛體由nav控制
- 和Animator配合使用的話，最好不要用root motion
- 將地面勾選Navigation Static，再打開Navigation視圖，點擊bake即可看到藍色可達區域
Navigation Area 可以設置object為不同Area，會用不同顏色表示
可以在NavMeshAgent中修改其可以行走的Area
Off Mesh Link 添加跳躍點（手動路徑）
默認的NaveMesh Agent組件上面是勾選了Auto Traverse Off Mesh Link（自動通過OffMeshLink）選項的。這樣的意思是人物只要到了OffMeshLink的開始點，就會自動的移動到OffMeshLink的結束點。
Navmesh Obstacle
enable時不可通行,false時可通行。此情況下物體不會暫停
尋路還有很多用法，這里就暫不詳述了
AI感知事件
AI往往要感知視覺、聽覺等信息來決策下一步的行為，其中又包括位置信息，對象屬性信息，自身信息等
1、
輪詢（主動查詢信息）
輪詢類似編程中的switch-case，是AI周期性地查詢所需要的信息，輪詢非常常見，容易維護，但有效信息率低，花費性能較多
輪詢中心（沒有必要每個AI都進行一遍查詢，而是集中處理需要查詢的信息）
2、
事件驅動（被動得知信息）
事件是一種高效的消息傳遞機制，由事件分發者主動通知每個感興趣的AI，這樣就使AI准時獲得有效信息
可以做一個中心檢測系統（事件管理器），記錄每個AI感興趣的事件，並通知他們，還方便了調試
3、
Trigger觸發器
觸發器其實和事件比較接近，相比之下，觸發器是事件的本源，比如監聽聲音的聲音觸發器，檢測觀察物的視覺觸發器，等待時間的時間觸發器等等
Trigger 常用一個半徑計算檢測的范圍，
Sensor 感知器則定義了枚舉類型和變量，保存了事件管理器
視覺感知：圓錐形探測
聽覺感知：衰減范圍。而感知器也有對應的感知閾值
觸覺感知：碰撞器
記憶感知：記憶List+Time留存時間
……
FSM有限狀態機
finite-state machine 是表示有限個
狀態 以及在這些狀態之間的
轉移和動作等行為的數學模型。
最簡單的用enum+switch即可實現
在Unity中，我們可以用Animator或其他FSM框架實現可視化狀態機
但是對於一些復雜的AI，用FSM圖十分繁瑣，效率低且容易出錯，對一般的AI來說，FSM就足夠了
BehaviorTree行為樹
行為樹是由行為節點組成的樹狀結構
對於FSM，每個節點表示一個狀態，而對於BT，每個節點表示一個行為。
行為樹層次清晰，易於模塊化，封裝性好，可重用，是一種效果理想的AI編輯器
在BT中，節點是有層次（Hierarchical）的，子節點由其父節點來控制。
每個節點的執行都有一個結果（成功Success，失敗Failure或運行Running），該節點的執行結果都由其父節點來管理，從而決定接下來做什么，父節點的類型決定了不同的控制類型。
常見結點：Sequence，
Selector，Parallel，Decorators
AI實例
AI包括設計和實現兩部分
AI設計
首先要根據需求，設計關卡中合適的AI，是個體還是集體，有什么特點，可行性，並制作相應的資源
AI的基本邏輯：感知-行動-反應-學習
AI的基本能力
AI的基本屬性
設計邏輯流程圖/狀態圖
設計AI使用技能，就好比調用一個結點
2D橫版AI
個體行動：待更新
集體戰術：夾擊，車輪，埋伏
3D平面AI
常見的技能行為有：追尋，連擊，遠程攻擊，固定線路攻擊，繞路，反向攻擊，跳起等等
關於Unity-AI的更多技術，我將另外寫篇博文