遊戲AI之初步介紹（0）

時間 2019-11-11

標籤遊戲初步介紹欄目遊戲简体版

原文原文鏈接

目錄html

遊戲AI是什麼？

遊戲AI和理論AI

可是值得注意的是，可是遊戲AI與理論研究的AI那些有所不一樣。
咱們平時所熟悉的人工智能，大多數是指理論AI。（例如深度學習，機器學習）程序員

而遊戲AI每每不多應用到理論AI那些神經網絡、深度學習等等理論AI所流行的技術。算法

智能的假象

遊戲AI主要是程序員預先定義編寫好可能發生的行爲，而不具備理論人工智能那種自我「學習」的特性。數據庫

由於遊戲AI主要職責是模擬出智能行爲，而並不是學習
（例如：街道上會避讓車的人羣，天空中亂飛的小鳥，來回巡邏的守衛，兵線上的小兵...）編程

能夠說遊戲AI是智能的假象。設計模式

要是遊戲功能須要自我學習，儘量作出最優策略，更應該使用理論AI（也是咱們熟悉的那我的工智能），經過神經網絡，深度學習等流行技術實現。
例如：圍棋AI阿法狗，DOTA2的OPENAI服務器

（更新）遊戲AI和機器學習

之前以爲機器學習要應用於遊戲AI，還遠得很。
最近看到一些資料後，也嘗試玩了玩Unity機器學習，才發覺機器學習佔領遊戲AI的可能性和趨勢。
這讓我對遊戲AI和理論AI的見解有了變化，所以下面介紹也會提到機器學習。網絡

所以如今看來，理論AI能夠概括爲遊戲AI的一部分。遊戲AI應該分爲人工製做的和機器學習訓練的。數據結構

介紹一些遊戲AI

4X遊戲AI

《羣星》《文明》《王國風雲》等爲表明的4X遊戲，戰略遊戲的一種，其主要的四個遊戲目的分別是：
eXplore（探索），eXpand（擴張），eXploit（掠奪），eXterminate（毀滅）。機器學習

爲了讓玩家在4X進程中受到阻擋，4X遊戲AI必須得足夠聰明作出決策，
但又同時爲了避免讓玩家以爲沒法勝利，它每每不是採用最優策略，而是使用更「人性化」的策略，
（例如反應延遲，走的路徑稍微扭曲，模糊決策等作法）。

《求生之路》系列

做爲一款FPS遊戲，很難說《求生之路》裏的怪物有多智能——它們原本就該是愚蠢而兇猛的。真正有技術含量的是它的「導演系統」，AI Director做爲後臺的核心，會根據玩家在遊戲中的具體表現調控遊戲的節奏。怪物出現的地點、數量，何處刷新道具等等，配合上根據形勢動態變換的音樂，給了用戶更真實的遊戲體驗。

角色扮演/沙盒遊戲中的NPC

在一些自由度較高的遊戲中，爲了讓玩家更好的融入這個世界，遊戲會對NPC進行不少詳細的設定。好比在《巫師》系列中，每一個NPC都有本身的性格設定，包括會話數據庫，讓他們能夠進行豐富的動做和對話。在GTA這種沙盒遊戲中更是這樣。

遊戲AI 基本設計

智能體（Agent）

首先咱們得理解一個術語：智能體(Agent)。通俗點意思是一個被AI操控的對象物體。

若是一個智能體擁有自治動做（即本身遇到狀況就作出本身的行爲反應），那麼則稱其爲：自治智能體。

在《看門狗》《GTA》裏，街上走路的人或者開動的汽車,就是一個自治智能體。主角開車若是衝向它們，這些自治智能體可以自行判斷並作出躲開的動做。

而後在現實世界裏，咱們能夠這樣直觀的理解智能：
一個正常的智能體，得先感知到周圍的事物，才能思考下一步該作什麼，才能作出反應行爲。

基於這個直觀理解的模型，咱們便天然而然分出如下三個模塊（事實上也是經常使用的AI設計方式）：

感知模塊
決策模塊
行爲模塊

感知（Perception）

通常的遊戲AI，智能體所能獲取的信息應該老是有限的。
引入「感知」的概念，用以模擬智能體的感官，從而讓智能體能獲取必定程度的信息，用於以後的決策判斷。

例如：

一個NPC的視野範圍內看到了有一個喪屍。
一個喪屍聽到了玩家的腳步聲。
足球隊隊員之間的傳達配合信息。

class AgentPerception {
public:
    //進行一次感知探測
    void check();
    //訪問感知目標結果
    Information& getCheckResult()const;
private:
    //...
};

可參考：遊戲AI之感知（1） - KillerAery - 博客園

決策（Decision）

決策模塊通常經過分析感知信息，進行計算，輸出接下來想要作的行爲的結果。

例如：

NPC決策模塊檢查了這個喪屍，判斷到它是本身的敵人，因此輸出了逃跑的決策。
喪屍決策模塊檢查了這個玩家，判斷到它是本身的敵人，因此輸出了撲過去攻擊的決策。
中鋒決策模塊檢查了前鋒的帶球狀況，判斷到它想傳球，因此輸出了要去對應的位置接球的決策。

能夠把決策模塊想象成一個大腦（爲了類比，能夠把下面的「決策模塊」字樣當作「大腦」）：
決策模塊可以獲取智能體模型的感知信息，分析之，並返回行動決策。

class AgentBrain{
  public:
    //計算得出智能體的決策
    Decision caculate(Agent* agent){
      //獲取感知信息
      Information& information = agent->mPerception.getResult();
      
      //根據感知信息，讓寄主執行行爲
      if(information...){
        return Decision(MoveTo, ...);//移動到...的決策
      }
      if(information...){
        return Decision(Attack);//攻擊決策
      }
      //....
    }
  private:
    //...
  };

行爲（Behavior）

通常的遊戲模型應該提供相應的行爲接口,而後行爲模塊負責處理決策，執行對應的行爲。

//一個智能體類例子
class Agent{
public:
  //智能體的各類行爲接口
  //...
  void moveTo(cosnt Vector3& pos);
  void attack();
protected:
  //智能體的各類變量
  //....
  Vector3 mPosition;              //當前位置
  int mAttack;                    //攻擊力
  ViewPerception mPerception;     //視野感知模塊
};

class AgentAction{
public:
  //處理決策，讓智能體執行對應行爲
  void doAction(Agent* agent,const Decision& decision);
};

遊戲AI 須要學些什麼？

由於遊戲AI需求多端，博主在查閱多方資料和平時實現時知道的全部可用的基礎知識/解決方案/雜項技巧列舉出來，固然對於重要的基礎知識會mark出來。

有限狀態機（FSM）

[重要]
「狀態機」是一種表示狀態並控制狀態切換的設計模式，經常用於設計某種東西的多個狀態。
例如一我的有站立狀態，跑動狀態，走路狀態，蹲下狀態，開火狀態等...
當應用在遊戲AI時，它也能夠做爲AI的決策結構（之前老遊戲的AI決策結構幾乎都是採用狀態機）。

可參考：遊戲設計模式——有限狀態機 - KillerAery - 博客園

行爲樹（Behavior Tree）

[重要]
「行爲樹」是一種以樹狀結構表達的決策模式，也是一種設計模式。這也是現代遊戲AI最經常使用的決策結構。

可參考：遊戲AI之決策結構—行爲樹（2） - KillerAery - 博客園

尋路（Path Finding）

[重要]
「尋路」是遊戲裏極爲常見的操做，經常使用的算法有A* 算法，固然更優化的話則是依賴規劃網格的尋路。
路徑規劃（Path Planning） 則是輔助改進尋路的，例如提早構建路線，劃分區域等，以便遊戲進行後利用預先處理好的數據進行高效的算法操做。

可參考：A*尋路算法 - KillerAery - 博客園
 遊戲AI之路徑規劃（3） - KillerAery - 博客園

腳本驅動（Script Driving）

使用腳本能夠隨意編寫出邏輯代碼而無需再次編譯，從而極大減小修改邏輯的成本。
遊戲AI的邏輯修改每每很頻繁，使用腳本編寫AI邏輯無疑是必要的。
此外遊戲程序最經常使用的腳本語言——Lua.

可參考：C++與Lua交互之配置&交互原理&示例 - KillerAery - 博客園

機器學習（Machine Learning）

[有潛力]
機器學習訓練出遊戲AI的優點在於：

機器學習訓練出的遊戲AI,模型可能數據龐大，可是這徹底能夠部署於服務器。
目前絕大部分遊戲AI都是人工製做，工做量龐大。機器學習能夠解放生產力，放臺主機訓練讓其本身培養出更實的AI。

但缺點也是有的：

過於複雜的環境，或者須要複雜交互的AI幾乎很難訓練出來（例如開放世界RPG遊戲的NPC，它們都得有本身的一套複雜劇本臺詞和NPC行爲）

所以目前看來，機器學習訓練出來的AI可用於簡單交互的AI，例如看到人就跑的小動物，更復雜的是會遵照交通規則的路人/車輛。

若對Unity的機器學習插件感興趣：Unity 用ml-agents機器學習造個遊戲AI吧(1)(Windows環境配置) - KillerAery - 博客園
 Unity 用ml-agents機器學習造個遊戲AI吧(2)(入門DEMO) - KillerAery - 博客園

羣體智能（Group AI）

"智能"表示一個AI，而「羣體智能」則表示集羣的AI。例如足球遊戲裏，集羣AI操控一方全部球員互相配合傳球踢球。又或者射擊遊戲裏，集羣AI操控一支小隊經過戰術進攻據點。
若是對於一個智能體集羣狀況，使用大量的自治智能體（一個AI控制一個智能體）很容易出現CPU性能瓶頸：由於這些自治智能體互相不可知，須要通過複雜的獲取信息階段，複雜的決策階段纔可作出團隊行爲。
而集羣AI，則能夠當作一個AI控制多個智能體，這樣集羣的信息數據甚至是行爲均可以共享，也方便集羣AI統一調配管理控制下屬各個智能體。

羣體智能的一個GDC演講：GDC2012講座:《殺手：赦免》中的人羣系統

模糊邏輯（Fuzzy Logic）

爲了讓遊戲AI更人性化，模糊邏輯頗有必要。作遊戲AI每每不是作最優解，而是作像人類的解。
在某些時候，例如：某個AI戰鬥結束後，判斷若是子彈數量少，則回基地取彈藥，
「子彈數量少」這個條件就能夠作成一種模糊邏輯條件。

可參考：遊戲AI之模糊邏輯（4） - KillerAery - 博客園

模糊邏輯的一個擴展是 模糊狀態機（FuSM）
傳統狀態機每每是個肯定的狀態，例如要麼是On狀態要麼是Off狀態。可是經過結合模糊邏輯和狀態機，即可以有稍微On的狀態、不太Off的狀態等更多的選擇性，這能夠給AI設計師添加更多模糊狀態對應的行爲，這給遊戲添加了更多樂趣：很是懼怕時拋下武器逃跑，懼怕時帶着武器逃跑，有點懼怕時且戰且退...

勢力圖（Influence Map）

勢力圖是將遊戲地圖劃分網格，每一個網格都有一個勢力值（實際上也能夠有其餘數據），該值受周圍元素影響。例如足球遊戲裏，每一個球員AI有一張勢力圖，球和隊友會對周圍網格形成正值影響，而對手和邊界會對周圍網格形成負值影響...這樣將全部影響元素考慮以後，球員AI會偏向將球踢向/傳向勢力值最大的網格。

黑板（Black Board）

「黑板」簡單來講就是多模塊間數據共享的數據結構。編寫遊戲AI引擎時，每每避免不了各模塊之間的通訊，而使用黑板模式無疑是極好的選擇

可參考：遊戲設計模式——黑板模式 - KillerAery - 博客園

協程（Coroutine）

協程（也叫微線程）,它會在每一個時間間隙更新執行一些代碼，效果看起來就好像另外一個線程在執行同樣（但實際是同一個線程）。
遊戲AI有大量的關於時間的動做（例如延時2秒執行某某操做），使用協程能夠大幅簡化一堆Update的計時代碼。

Unity協程筆記：Unity C#筆記協程 - KillerAery - 博客園

雜項技巧（Trick）

經過「抖動」（Dithering）,"平滑"等技巧能夠加強擬人性，讓AI愚笨的像我的。
簡單的解釋抖動的話，就是說先計算一個最優解（不可打敗的AI），而後給這個最優解作一些隨機數的修正，從而偏離最優解（有點難但可打敗的AI）。

資源分配樹（Resource Alloction Tree）是一種樹狀結構，用於表示一個玩家的全部資產類型及其權重。決策時可根據資源分配樹各個節點權重來執行不一樣的分配策略。例如在《文明5》裏，各個AI文明有些偏重和平發展政策，有些偏重軍事征服政策，有些偏重文化政策...經過不一樣的資源分配樹能夠製做特徵各不一樣的AI。

依存圖（Dependency Graph）則是一種有向圖結構，用於表示不一樣資產類型的依存性。例如玩家進入中世紀時代才能夠建造射箭場，建造了射箭場才能夠生產弓兵，所以能夠構造出這樣一個依存圖：中世紀時代->射箭場->弓兵。依存圖經常被AI用來規劃當前的發展路線，也能夠用於推理對方玩家的科技樹，從而調整發展策略（例如調整資源分配樹權重）。舉個例子：例如發現敵方玩家的一個弓兵，那麼容易推斷敵方玩家已經建造出了射箭場，那麼在軍事分配上就會偏向發展騎兵，而不是發展步兵（被弓兵剋制）。