3D Game Programming & Design

An Introduction to Game Engine and OO Design Patterns

face

View the Project on GitHub

第十章、游戏智能

AI

课程内容与资源

1、游戏智能与AI

1.1 人工智能概述

1.2 游戏智能与人工智能的区别

游戏智能，尽管没有权威的定义，但可以理解为：在游戏规则约束下，通过适当的 算法 使得游戏中 NPC（Non-Player Character） 呈现为具有一定人类智能行为的 博弈对手，让游戏玩家面临不间断的 挑战，并在挑战中有所收获，包括知识和技能等。

因此，游戏智能与人工智能在设计目标上有着比较大的不同：

1.3 游戏智能的应用场景

2、模型、方法与常用算法

2.1 “感知-思考-行为”模型

“sense-think-act” paradigm（范式） 是构造 agent、robot、NPC（Non-Player Character） 的基础概念。自从上世纪80年代提出以来，我们使用 Sense-Think-Act 范例思考机器人如何工作，并设计它们。 即使机器人最终设计的方式不同，STA 通常仍然是一个有用的开始。 随着机器人技术的发展，协同技术越来越重要，机器人之间的 “Communicate”通常也纳入设计之中。本节主要关注 NPC 如何产生看似理性（Rational）的行为（模拟人）的设计方法。

它与算法设计思考输入、处理、输出类似，但完全不同哦！

1、感知（Sense）

感知是 agent 接收世界信息的行为，其获取的数据将是思考的输入。在游戏中，程序是可以获得游戏世界任意信息的，设计一个“干死”玩家的算法通常是比较容易的，因此如何限制信息获取是设计不同级别 agent 的核心问题。（类似围棋哪种“完美信息贯序博弈”算法，属于学习型智能，不在这里考虑）

在游戏中，定义获取信息能力通常可以从视觉、听觉和嗅觉等渠道去考虑：

使用距离、角度、障碍物限制 agent 发现玩家位置等信息，或者使用干扰影响信息的准确性，这些是设计游戏 agent 常见的手段。如果 agent 都拥有玩家位置和导航地图，结果就是一窝蜂的现象，这是没有趣的事情。合适的限制，将使得 agent 在相同的决策算法下，呈现丰富的行为。

一种简单的方法就是 agent 结合不同类型的触发器、探头，构造不同的获取信息的场景。最后将感知的结果放在一个数据结构中（类似 UnityEngine.EventSystems.PointerEventData）

在 Agent Thinking 时，不可获取感知以外的数据信息。

2、思考（Think）

Think 就是算法，它的输入是感知的数据，输出是行为（behaviours）。 思考的算法，通常就是我们所说的游戏规则的一部分，即 agent 能做什么，该做什么。 通常这不是程序员的工作，而是游戏设计师的工作。游戏 agent 的思考类似人脑的决策过程，这其中的关键不是打造最强大脑，而是建立符合游戏玩家难度曲线，可以控制、且符合社会准则的行为。另一个相关问题，玩家难度曲线在编程阶段是未知的，依赖众多玩家与 agent 的操作与对抗结果。它在游戏测试和运维过程中存在巨大不确定性（在数据驱动的设计和集成脚本引擎等章节中讨论解决方案），因此：

将 agent 决策过程用 If … Then … 硬编码写入程序逻辑是不可行的！

目前，主要方法有：

规则推理引擎

规则推理引擎（Rule-based Inference Engine）也叫产生式系统或推理模型（inference model），是由基于规则的专家系统发展而来。基于规则的专家系统是人工智能领域中专家系统的一个分支，它模拟人类的推理方式，使用试探性的方法进行推理，并使用人类能理解的术语解释和证明它的推理结论。基于规则的专家系统，基本概念包括：

规则推理引擎的基本部件包括：

规则推理引擎有许多实现，一般基于 RETE 算法。 入门读物

状态机引擎

有限状态自动机（Finite State Machine / FSM）是可以图形化的自动执行工具。在 unity 中，它是标准化的 agent（NPC） 动作自动控制工具。

举个例子，让我们来看一个典型的射击游戏中的人工智能守卫。它的状态可以非常简单，如巡逻（Patrol）、追逐（Chase）和射击（Shoot）。因此，定义一个状态机主要工作包括：

《雷神之锤2》里的怪物可能具有以下状态：站立、行走、跑步、躲避、攻击、空闲和搜索。有限状态机广泛地应用于游戏人工智能中，因为它们易于实现，不管对于简单还是相对复杂的游戏都游刃有余。

决策树

决策树（Decision Trees）又称为行为树（Behaviour Trees）。

本人属于代码程序优于可视化程序的支持者，并不喜欢用图编程序。如果你有兴趣，这篇博客可入门，UNITY行为树制作AI简单例子 。

更好的方案就是集成动态脚本程序，游戏逻辑一般不复杂，配合动态脚本和简单游戏设计工具，会有更灵活的编程体验。

以上仅是经典人工智能的一些方法

3、行动（Act）

行动（Act）将思考（Think）的结果作为输入，该部分的任务就是使得 agent 行为更符合物理世界的规律，使得“心想事成”这样理想的结果变得不确定。

例如：用户 或 agent 获取了目标位置，并发出“shoot(pos)”这个命令。这时的逻辑是子弹的时点、射击位置。如果你设计的 agent 立马将子弹送到指定位置，多少对手都死了！

通常需要考虑的要素包括：

2.2 寻路算法 A*

2.3 势能场（Potential Field）与驾驭（steering）

2.4 觅食模型与群体智能

2.5 10 种使智能变得萌笨的方法！！！

3、Unity 3D 导航与寻路

3.1 基本概念

Unity 导航系统允许创建给游戏角色导航的游戏世界。如下图所示，游戏角色可以在蓝色联通的网格上，找到去任意一点最短的路径，且具有一定爬坡、跳沟壑的能力。

更详细的描述，参见官方 导航系统的内部工作原理

3.2 导航设置基础

本节的任务是熟悉上述概念及其使用。

操作 10-01 ，Agent 和 Navmesh 练习：

图中：

完成布局后

这时运行并不会自动寻路，系统会提示 "GetRemainingDistance" can only be called on an active agent that has been placed on a NavMesh.

现在需要的是制作 Navmesh 让 NavMeshAgent 工作

图中，水蓝色凸多边形构成的网格就是寻路算法的数据结构，agent 将用它来导航。

要预先生成的 Navmesh 、光照纹理贴图，都是高资源消耗的哦！

最后对 target 挂一段熟悉的代码：

using System.Collections;
using System.Collections.Generic;
using UnityEngine;

public class PlaceTarget : MonoBehaviour {
	
	// Update is called once per frame
	void Update () {
		if (Input.GetMouseButtonDown (0)) {    
			Ray ray = Camera.main.ScreenPointToRay (Input.mousePosition);  
			RaycastHit hit;  
			if (Physics.Raycast (ray, out hit)) {  
				Debug.Log (hit.collider.name);  
				if (hit.collider.name == "Plane") {
					this.transform.position = hit.point;
				}
			}
		}
	}
}

运行！寻路功能完成

操作 10-02，Obstacle 和 Off Mesh Link 练习：

运行！在运行过程中，

做一个门打开、关闭的效果，如何实现？

3.3 更复杂的导航应用

掌握了以上概念，做一般项目一定没问题。以下博客阅读起来也会更容易。

参见师兄的实践 Navmesh使用

3.4 NavMesh 构建与工具

使用 Bake 构建的导航并不一定能满足所有游戏需求。因此有必要根据物体表面手动编辑或程序控制 navmesh。

具体参见官方手册

4、作业

以下作业三选一

1、 有趣 AR 小游戏制作

2、 坦克对战游戏 AI 设计

从商店下载游戏：“Kawaii” Tank 或 其他坦克模型，构建 AI 对战坦克。具体要求

3、P&D 过河游戏智能帮助实现，程序具体要求：