游戏AI之初步介绍
目录
- 游戏AI是什么？
- 游戏AI和理论AI
- 智能的假象
- （更新）游戏AI和机器学习
- 介绍一些游戏AI
- 4X游戏AI
- 《求生之路》系列
- 角色扮演/沙盒游戏中的NPC
- 游戏AI 基本设计
- 智能体（Agent）
- 感知（Perception）
- 决策（Decision）
- 行为（Behavior）
- 游戏AI 需要学些什么？
- 有限状态机（FSM）
- 行为树（Behavior Tree）
- 寻路（Path Finding）
- 脚本驱动（Script Driving）
- 机器学习（Machine Learning）
- 群体智能（Group AI）
- 模糊逻辑（Fuzzy Logic）
- 势力图（Influence Map）
- 黑板（Black Board）
- 协程（Coroutine）
- 杂项技巧（Trick）
- 参考
游戏AI是什么？
游戏AI和理论AI
但是值得注意的是，但是游戏AI与理论研究的AI那些有所不同。
我们平时所熟悉的人工智能，大多数是指理论AI。（例如深度学习，机器学习）
而游戏AI往往很少应用到理论AI那些神经网络、深度学习等等理论AI所流行的技术。
智能的假象
游戏AI主要是程序员预先定义编写好可能发生的行为，而不具有理论人工智能那种自我“学习”的特性。
因为游戏AI主要职责是模拟出智能行为，而并非学习
（例如：街道上会避让车的人群，天空中乱飞的小鸟，来回巡逻的守卫，兵线上的小兵...）
可以说游戏AI是智能的假象。
要是游戏功能需要自我学习，尽可能做出最优策略，更应该使用理论AI（也是我们熟悉的那个人工智能），通过神经网络，深度学习等流行技术实现。
例如：围棋AI阿法狗，DOTA2的OPENAI
（更新）游戏AI和机器学习
以前觉得机器学习要应用于游戏AI，还远得很。
最近看到一些资料后，也尝试玩了玩Unity机器学习，才发觉机器学习占领游戏AI的可能性和趋势。
这让我对游戏AI和理论AI的看法有了变化，因此下面介绍也会提到机器学习。
因此现在看来，理论AI可以归纳为游戏AI的一部分。游戏AI应该分为人工制作的和机器学习训练的。
介绍一些游戏AI
4X游戏AI
《群星》《文明》《王国风云》等为代表的4X游戏，战略游戏的一种，其主要的四个游戏目的分别是：
eXplore（探索），eXpand（扩张），eXploit（掠夺），eXterminate（毁灭）。
为了让玩家在4X进程中受到阻挡，4X游戏AI必须得足够聪明做出决策，
但又同时为了不让玩家觉得无法胜利，它往往不是采用最优策略，而是使用更“人性化”的策略，
（例如反应延迟，走的路径稍微扭曲，模糊决策等做法）。
《求生之路》系列
作为一款FPS游戏，很难说《求生之路》里的怪物有多智能——它们本来就该是愚蠢而凶猛的。真正有技术含量的是它的“导演系统”，AI Director作为后台的核心，会根据玩家在游戏中的具体表现调控游戏的节奏。怪物出现的地点、数量，何处刷新道具等等，配合上根据形势动态变换的音乐，给了用户更真实的游戏体验。
角色扮演/沙盒游戏中的NPC
在一些自由度较高的游戏中，为了让玩家更好的融入这个世界，游戏会对NPC进行很多详细的设定。比如在《巫师》系列中，每个NPC都有自己的性格设定，包括会话数据库，让他们可以进行丰富的动作和对话。在GTA这种沙盒游戏中更是这样。
游戏AI 基本设计
智能体（Agent）
首先我们得理解一个术语：智能体(Agent)。通俗点意思是一个被AI操控的对象物体。
如果一个智能体拥有自治动作（即自己遇到情况就做出自己的行为反应），那么则称其为：自治智能体。
在《看门狗》《GTA》里，街上走路的人或者开动的汽车,就是一个自治智能体。主角开车如果冲向它们，这些自治智能体能够自行判断并做出躲开的动作。
然后在现实世界里，我们可以这样直观的理解智能：
一个正常的智能体，得先感知到周围的事物，才能思考下一步该做什么，才能做出反应行为。
基于这个直观理解的模型，我们便自然而然分出以下三个模块（事实上也是常用的AI设计方式）：
- 感知模块
- 决策模块
- 行为模块
感知（Perception）
一般的游戏AI，智能体所能获取的信息应该总是有限的。
引入“感知”的概念，用以模拟智能体的感官，从而让智能体能获取一定程度的信息，用于之后的决策判断。
例如：
- 一个NPC的视野范围内看到了有一个丧尸。
- 一个丧尸听到了玩家的脚步声。
- 足球队队员之间的传达配合信息。
class AgentPerception {
public:
//进行一次感知探测
void check();
//访问感知目标结果
Information& getCheckResult()const;
private:
//...
};可参考：游戏AI之感知（1） - KillerAery - 博客园
决策（Decision）
决策模块一般通过分析感知信息，进行计算，输出接下来想要做的行为的结果。
例如：
- NPC决策模块检查了这个丧尸，判断到它是自己的敌人，所以输出了逃跑的决策。
- 丧尸决策模块检查了这个玩家，判断到它是自己的敌人，所以输出了扑过去攻击的决策。
- 中锋决策模块检查了前锋的带球情况，判断到它想传球，所以输出了要去对应的位置接球的决策。
可以把决策模块想象成一个大脑（为了类比，可以把下面的“决策模块”字样看成“大脑”）：
决策模块能够获取智能体模型的感知信息，分析之，并返回行动决策。
class AgentBrain{
public:
//计算得出智能体的决策
Decision caculate(Agent* agent){
//获取感知信息
Information& information = agent->mPerception.getResult();
//根据感知信息，让寄主执行行为
if(information...){
return Decision(MoveTo, ...);//移动到...的决策
}
if(information...){
return Decision(Attack);//攻击决策
}
//....
}
private:
//...
};行为（Behavior）
一般的游戏模型应该提供相应的行为接口,然后行为模块负责处理决策，执行对应的行为。
//一个智能体类例子
class Agent{
public:
//智能体的各种行为接口
//...
void moveTo(cosnt Vector3& pos);
void attack();
protected:
//智能体的各种变量
//....
Vector3 mPosition; //当前位置
int mAttack; //攻击力
ViewPerception mPerception; //视野感知模块
};class AgentAction{
public:
//处理决策，让智能体执行对应行为
void doAction(Agent* agent,const Decision& decision);
};游戏AI 需要学些什么？
因为游戏AI需求多端，博主在查阅多方资料和平时实现时知道的所有可用的基础知识/解决方案/杂项技巧列举出来，当然对于重要的基础知识会mark出来。
有限状态机（FSM）
[重要]
“状态机”是一种表示状态并控制状态切换的设计模式，常常用于设计某种东西的多个状态。
例如一个人有站立状态，跑动状态，走路状态，蹲下状态，开火状态等...
当应用在游戏AI时，它也可以作为AI的决策结构（以前老游戏的AI决策结构几乎都是采用状态机）。
可参考：游戏设计模式——有限状态机 - KillerAery - 博客园
行为树（Behavior Tree）
[重要]
“行为树”是一种以树状结构表达的决策模式，也是一种设计模式。这也是现代游戏AI最常用的决策结构。
可参考：游戏AI之决策结构—行为树（2） - KillerAery - 博客园
寻路（Path Finding）
[重要]
“寻路”是游戏里极为常见的操作，常用的算法有A* 算法，当然更优化的话则是依赖规划网格的寻路。
路径规划（Path Planning） 则是辅助改进寻路的，例如提前构建路线，划分区域等，以便游戏进行后利用预先处理好的数据进行高效的算法操作。
可参考：A*寻路算法 - KillerAery - 博客园
游戏AI之路径规划（3） - KillerAery - 博客园
脚本驱动（Script Driving）
使用脚本可以随意编写出逻辑代码而无需再次编译，从而极大减少修改逻辑的成本。
游戏AI的逻辑修改往往很频繁，使用脚本编写AI逻辑无疑是必要的。
此外游戏程序最常用的脚本语言——Lua.
可参考：C++与Lua交互之配置&交互原理&示例 - KillerAery - 博客园
机器学习（Machine Learning）
[有潜力]
机器学习训练出游戏AI的优势在于：
- 机器学习训练出的游戏AI,模型可能数据庞大，但是这完全可以部署于服务器。
- 目前绝大部分游戏AI都是人工制作，工作量庞大。机器学习可以解放生产力，放台主机训练让其自己培养出更实的AI。
但缺点也是有的：
- 过于复杂的环境，或者需要复杂交互的AI几乎很难训练出来（例如开放世界RPG游戏的NPC，它们都得有自己的一套复杂剧本台词和NPC行为）
因此目前看来，机器学习训练出来的AI可用于简单交互的AI，例如看到人就跑的小动物，更复杂的是会遵守交通规则的路人/车辆。
若对Unity的机器学习插件感兴趣：Unity 用ml-agents机器学习造个游戏AI吧(1)(Windows环境配置) - KillerAery - 博客园
Unity 用ml-agents机器学习造个游戏AI吧(2)(入门DEMO) - KillerAery - 博客园
群体智能（Group AI）
"智能"表示一个AI，而“群体智能”则表示集群的AI。例如足球游戏里，集群AI操控一方所有球员互相配合传球踢球。又或者射击游戏里，集群AI操控一支小队通过战术进攻据点。
如果对于一个智能体集群情况，使用大量的自治智能体（一个AI控制一个智能体）很容易出现CPU性能瓶颈：因为这些自治智能体互相不可知，需要经过复杂的获取信息阶段，复杂的决策阶段才可做出团队行为。
而集群AI，则可以看成一个AI控制多个智能体，这样集群的信息数据甚至是行为都可以共享，也方便集群AI统一调配管理控制下属各个智能体。
群体智能的一个GDC演讲：GDC2012讲座:《杀手：赦免》中的人群系统
模糊逻辑（Fuzzy Logic）
为了让游戏AI更人性化，模糊逻辑很有必要。做游戏AI往往不是做最优解，而是做像人类的解。
在某些时候，例如：某个AI战斗结束后，判断如果子弹数量少，则回基地取弹药，
“子弹数量少”这个条件就可以做成一种模糊逻辑条件。
可参考：游戏AI之模糊逻辑（4） - KillerAery - 博客园
模糊逻辑的一个扩展是 模糊状态机（FuSM）
传统状态机往往是个确定的状态，例如要么是On状态要么是Off状态。但是通过结合模糊逻辑和状态机，便可以有稍微On的状态、不太Off的状态等更多的选择性，这可以给AI设计师添加更多模糊状态对应的行为，这给游戏添加了更多乐趣：非常害怕时抛下武器逃跑，害怕时带着武器逃跑，有点害怕时且战且退...
势力图（Influence Map）
势力图是将游戏地图划分网格，每个网格都有一个势力值（实际上也可以有其他数据），该值受周围元素影响。例如足球游戏里，每个球员AI有一张势力图，球和队友会对周围网格造成正值影响，而对手和边界会对周围网格造成负值影响...这样将所有影响元素考虑之后，球员AI会偏向将球踢向/传向势力值最大的网格。
黑板（Black Board）
“黑板”简单来说就是多模块间数据共享的数据结构。编写游戏AI引擎时，往往避免不了各模块之间的通信，而使用黑板模式无疑是极好的选择
可参考：游戏设计模式——黑板模式 - KillerAery - 博客园
协程（Coroutine）
协程（也叫微线程）,它会在每个时间间隙更新执行一些代码，效果看起来就好像另一个线程在执行一样（但实际是同一个线程）。
游戏AI有大量的关于时间的动作（例如延时2秒执行某某操作），使用协程可以大幅简化一堆Update的计时代码。
Unity协程笔记：Unity C#笔记 协程 - KillerAery - 博客园
杂项技巧（Trick）
通过“抖动”（Dithering）,"平滑"等技巧可以增强拟人性，让AI愚笨的像个人。
简单的解释抖动的话，就是说先计算一个最优解（不可战胜的AI），然后给这个最优解做一些随机数的修正，从而偏离最优解（有点难但可战胜的AI）。
资源分配树（Resource Alloction Tree）是一种树状结构，用于表示一个玩家的所有资产类型及其权重。决策时可根据资源分配树各个节点权重来执行不同的分配策略。例如在《文明5》里，各个AI文明有些偏重和平发展政策，有些偏重军事征服政策，有些偏重文化政策...通过不同的资源分配树可以制作特征各不同的AI。
依存图（Dependency Graph）则是一种有向图结构，用于表示不同资产类型的依存性。例如玩家进入中世纪时代才可以建造射箭场，建造了射箭场才可以生产弓兵，因此可以构造出这样一个依存图：中世纪时代->射箭场->弓兵。依存图常常被AI用来规划当前的发展路线，也可以用于推理对方玩家的科技树，从而调整发展策略（例如调整资源分配树权重）。举个例子：例如发现敌方玩家的一个弓兵，那么容易推断敌方玩家已经建造出了射箭场，那么在军事分配上就会偏向发展骑兵，而不是发展步兵（被弓兵克制）。
参考
- [1] 《游戏人工智能编程案例精粹(Programming Game AI by Example)》 Mat Buckland [2012-9]
- [2] Finney的博客——AI分享站 http://www.aisharing.com/
- [3] 《游戏编程精粹2(Game Programming Gems 2)》 Mark DeLoura [2001-10]
- [4] 《游戏编程精粹3(Game Programming Gems 3)》 Dante Treglia [2002-7]
游戏AI 系列文章：游戏AI - 随笔分类 - KillerAery - 博客园
作者：KillerAery 出处：http://www.cnblogs.com/KillerAery/
游戏AI 基本设计
实际世界的智能：
一个正常的智能体，得先感知到周围的事物，才能思考下一步该做什么，才能做出反应行为。
基于这个便自然而然分出以下三个模块：
- 感知
- 决策
- 行为
感知
一般的游戏AI，首先需要获取到感知的信息。
例如：
- 一个NPC的视野范围内看到了有一个丧尸。
- 一个丧尸听到了玩家的脚步声。
- 足球队队员之间的传达配合信息。
-
class AgentPerception { -
public: -
//进行一次感知探测 -
void check(); -
//访问感知目标结果 -
Information& getCheckResult()const; -
private: -
//... -
};
决策
决策模块一般通过分析感知信息，进行计算，输出接下来想要做的行为的结果。
例如：
- NPC决策模块检查了这个丧尸，判断到它是自己的敌人，所以输出了逃跑的决策。
- 丧尸决策模块检查了这个玩家，判断到它是自己的敌人，所以输出了扑过去攻击的决策。
- 中锋决策模块检查了前锋的带球情况，判断到它想传球，所以输出了要去对应的位置接球的决策。
可以把决策模块想象成一个大脑（为了类比，可以把下面的“决策模块”字样看成“大脑”）：
决策模块能够获取智能体模型的感知信息，分析之，并返回行动决策。
-
class AgentBrain{ -
public: -
//计算得出智能体的决策 -
Decision caculate(Agent* agent){ -
//获取感知信息 -
Information& information = agent->mPerception.getResult(); -
//根据感知信息，让寄主执行行为 -
if(information...){ -
return Decision(MoveTo, ...);//移动到...的决策 -
} -
if(information...){ -
return Decision(Attack);//攻击决策 -
} -
//.... -
} -
private: -
//... -
};
行为
一般的游戏模型应该提供相应的行为接口,然后行为模块负责处理决策，执行对应的行为。
-
//一个智能体类例子 -
class Agent{ -
public: -
//智能体的各种行为接口 -
//... -
void moveTo(cosnt Vector3& pos); -
void attack(); -
protected: -
//智能体的各种变量 -
//.... -
Vector3 mPosition; //当前位置 -
int mAttack; //攻击力 -
ViewPerception mPerception; //视野感知模块 -
};
-
class AgentAction{ -
public: -
//处理决策，让智能体执行对应行为 -
void doAction(Agent* agent,const Decision& decision); -
};
小结
这样，一种简单基本的设计就浮现了：
- 感知模块
- 决策模块
- 行为模块
初步介绍到此结束，下一篇博文将详细介绍感知。
参考
[1]《游戏人工智能编程案例精粹》
[2] FINNEY的博客 AI分享站