AI在UE4的示例里面主要用来做寻路、避障、探索等一些功能，在UE4的动画制作中，同样可以为角色设定一些AI动作，比如说对场景中一些物体的反应、听到不同对话声音的一些反应、空闲时随机做一些自由动作等。
AI的循环处理主要分为三个阶段：感知（Sense）、思考（Think）、行动（Act）。感知表示对AI当前状态进行记录，包括物理感觉(听觉视觉触觉等)，可以对这些物理感觉定制优先级，还能添加一些抽象的感知；思考表示AI利用感知到的信息，和目标进行一起评估，然后为下步行动指明方向；行动是根据感知和思考阶段的信息，做出相应的行为，如跑步、跳跃、和其他AI通信等，当行动结束后，又回到感知的状态。
AI场景设计的参考流程如下：
1、新建一个CharacterBlueprint（角色蓝图），用于表示AI角色，并命名为AI_ThirdPersonCharacter；
2、新建一个AIController（AI控制器），并命名为AIC_ThirdpersonCharacter;
3、打开AI的角色蓝图，找到Pawn->AIControllerClass,选中之前创建的AI控制器，此处的AutoPossessPlayer是关闭的，表明控制方式是AI控制；
4、将AI角色蓝图放入到Level场景中；
5、使用AI寻路功能，在Level场景中添加“NavMeshBoneVolume”(寻路网格体)，此网格体功能就是预先计算好寻路数据（默认是按照静态物体计算，如果要对移动的物体进行监测，要在设置里打开动态监测，会增加一定的计算机开销）；
选中Level场景中的NavMeshBoneVolume，在Details->BrushSetting中将Mesh进行放大，覆盖整个地图（键盘的P键是打开/关闭显示导航路径，默认导航路径是自动更新的）；
在Level场景中放入NavMeshBoneVolume后，会自动生成一个RecastNavMesh-Default对象，用于辅助寻路网格工作，如设置代理半径/高度（AgentRadius/Height）等，这样可以根据AI角色的实际大小，设置更为精确的导航路径，同时Agent的代理数量可以根据需求自行添加；
6、UE4的预置模块里，还有NavModifierVolume，它的可以设置一些AI寻路的权重，告诉AI哪些区域可以走，哪些区域比较难走，示例中不做过多介绍；
7、在蓝图中让AI角色自由行走的方法（此方法相对比较简单，处理的逻辑也不复杂，如果要使用复杂逻辑，后面会介绍使用行为树BehaviorTree的方法）：
打开AI角色（AI_ThirdpersonCharacter）->EventGraph；
新建自定义事件并命名为“RandomWalk”，调用函数“SimpleMoveToLocation”，此函数中带两个输入参数Controller对象和Goal位置，获取AI角色蓝图里的Controller对象，通过调用Get Controller函数，它会自动返回一个Pawn对象，之前我们在Pawn里用的AIControllerClass就是我们自建的AIC_ThirdpersonCharacter;
调用GetRandomMoveToLocation函数，这个函数会返回一个随机的位置信息给SimpleMoveToLocation的Goal输入，此函数输入参数中的Origin表示初始点的位置信息，可以通过调用Get Actor Location获取AI角色的当前位置，Radius表示随机去的半径范围；
调用系统事件Event Begin Play，此事件在AI角色蓝图运行时自动触发，之后我们通过Set Timer by Event定时器函数，自动去触发之前设置的自定义事件Random Walk，注意在定时器函数中，把Loopping打开；
把所有环节串接起来，编译运行，AI角色就会在Level场景中随机移动，并且每隔固定的事件，重新寻找新的路径；
8、GamePlay调试器的使用，可以用键盘上的撇号调出调试器，调试器类似于编程里的Debugger，可以设置断点，可以查看Level场景中的各类参数；
9、AI感知系统中有两个重要的组成部分：AI感知组件（AIPerception）和AI感知刺激源（AIPerceptionStimuliSource）；系统自带事件OnTargetPerceptionUpdated，当感知发生变化时会自动触发，并返回一个刺激源（Stimulus）和感知对象（Actor），感知的框图如下：
10、在AI角色中（AI_ThirdpersonCharacter）中，添加感知组件（AIPerception），选中添加好的感知组件，在Details->AIPerception->SenseConfig中，添加感知源（AISightConfig视觉感知），在视觉感知源中，还能详细的设置视觉半径和视觉范围，在DetectionByAtilation中，勾选Neural，表示感知的监测对象为中立方（一般玩家角色设置为中立方才能被监测到）；
11、将玩家角色（ThirdPersonCharacter）拖入到Level场景中，在蓝图中添加刺激源组件（AIPerceptionStimuli Source），选中刺激源，在Details->AIPerception，打开AutoRegisterSource，选择RegisterAsSourceForSense->AI_Sense_Sight，表示将刺激源放到玩家角色上，同时刺激源是视觉刺激；
默认ThirdPersonCharacter的类中自带SightStimuli，计算不加刺激源，它也能被AI感知到，此处加上只是为了说明原理；
12、在AI_Third personCharacter中，关闭Event Begin Play事件，不调用之前写的简单自动寻路蓝图，之后会用行为树BehaviorTree的方式让AI自动寻路；
13、在AI_Third personCharacter中，添加AI感知事件OnTargetPerceptionUpdated，捕获AI感知信息和对象，将感知到的对象存为内部变量并命名为“PerceivedActor”，将捕获到的刺激源，通过BreakAIStimulus函数打碎，这样可以返回感知到的所有内容和状态，这次例子中只用到了感知状态的真假SuccessfullySensed，然后把这个Bool值传递给Branch分支函数，分支的真表示AI感知到玩家，感知到玩家后回去追踪，分支的假表示丢失玩家，丢失后AI又会去自动寻路；
新建一个Target Lost的自定义事件；
在分支假后面，设定一个事件触发的计时器函数SetTimerByEvent，连接自定义事件Target Lost，并设定时间，表示分支进入假状态后，定时多少秒，自动去触发Target Lost事件；
在分支真后面，需要设定一个函数ClearAndInvalidateTimerByHandler，表示进入真以后，自动清除之前分支假里面的SetTimerByEvent函数，如果不清楚，可能会遇到Target被监测到，仍旧会被分支假里的计时器清空的情况，如果玩家一会进入AI感知范围，一会又出去的情况；
AI_Third personCharacter的蓝图中，我们只是定义的感知后的处理逻辑，具体怎么去处理，需要通过接下来的行为树来实现；
14、行为树（BehaviorTree）是将AI场景中的决策制定模型进行可视化操作的方法，相当于思考这个环节；行为树的执行顺序为从上到下，从左到右；
行为树的根节点（Root）下方有各种节点，其中任务节点（Task）是行为树分支的重点，有预置的任务（如Move to,Wait），也可以自定义任务；
选择合成器（Selector）节点会执行它下面的子节点，只要有子节点返回时True,那么Selector为True，会继续执行，只有当所有的子节点返回是False时，Selector才返回为False并退出；因此在Selector下的子节点，我们一般将优先级最高的放左边；类似于去上班的任务，不管是走路还是坐地铁还是公交车，最终我们都能到达公司；
Sequence合成器节点，它会遍历下方所有子节点，当都返回True时，它才返回True，这个节点的方式与人们处理障碍的方式类似；
同时行为树中还能定制一些服务（Service）和装饰器（Decarotar），放置到Selector和Sequence节点中，让处理逻辑更加灵活；
15、新建一个行为树，并命名为BT_EnemyAI；
16、新家一个黑板（BlackBoard），并命名为BB_EnemyAI，关联BT——EnemyAI，黑板的作用是为行为树提供参数和状态，帮助行为树来进行判定；
17、打开AI控制器AIC_ThiredpersonCharacter，在EventGraph中，使用系统自带事件EventOnPossess（表示AI控制器被执行的时候触发），然后调用RunBehaviorTree函数，选择之前创建的行为树并执行行为树；
18、在黑板（BB_EnemyAI）中新建一个Key，命名为Target Location，类型设置为Vector，我们后面其实就是要把AI角色蓝图里的数据，传递给黑板，黑板再告知行为树进行判定；
19、在行为树中使用自动寻路Task的方法如下：
在行为树中，新建一个自动寻路的任务（Task），来用作自动寻路，并命名为“BTT_FindNavigationLocation”，之前再AI角色蓝图中（AI_ThirdpersonCharacter）中已经去掉的自动寻路事件触发，因此在AI角色蓝图中，不会执行自动寻路，我们把自动寻路的功能改成的Task的方式，供行为树使用；
进入BTT_FindNavigationLocation任务，添加系统事件ReceiveExecuteAI，当行为树执行该任务时，会自动触发此事件，ReceiveExecuteAI事件执行后返回两个对象Owener Controller和ControlledPawn，我们可以通过将Owener Controller对象输出给GetActorLocation函数，来返回一个AI对象的位置；
把这个AI对象的位置传递给Get Random Reachable PointInRadius函数，并输出一个随机位置信息；
将随机的位置信息通过SetBlackBoardValueAsVector函数传递给BlackBoard，SetBlackBoardValueAsVector中还有一个Key的输入变量，我们在Task中新建一个BlackBoardKey类型的变量，并设置成公有变量命名为“Target Location Key”,将此共有变量传递给SetBlackBoardValueAsVector；之后只要在行为树的黑板中，把这个Key对应上，就能准确传递随机位置；
在Task任务的最后，加上FinishExecute，并勾选success，或者将之前Get Random Reachable PointInRadius的状态发给它；所有Task任务中，一定要加上FinishExecute，表示任务已经完成，不然在行为树中，不会去执行接下来的任务；
20、注意Task任务如果失败，那么它的父节点Sequence也会失败并终止；将BTT_FindNavigationLocation任务加入到行为树中，此时公共变量Target Location Key暴露给了行为树，将此变量绑定到黑板中的Target Location啊，这样就能将Key对应的随机位置数值，传递给黑板，具体行为树中流程图如下：
21、在行为树中设置追踪玩家角色的逻辑，在黑板中（BB_EnemyAI）中，新建一个Key命名为TargetActor，类型为Actor，新建一个Key，命名为HasLineOfSight，类型为Bool；
22、打开AI控制器（AIC_ThirdpersonCharacter），新建两个函数UpdateTargetActorKey和UpdateHasLineOfSightKey，这两个函数之后会在AI角色蓝图中被调用，它们的主要作用是，把AI角色蓝图中感知到的对象以及感知状态，发送给黑板，这两个函数里面主要调用的一个函数是SetValueAsObject,SetValueAsObject函数的输入包含Value、Target和Key，其中Target对象通过通过GetBlackboard来直接获取，Key的值通过自定义，并跟实际行为树中的黑板值对的上，Value值就是AI角色蓝图中送过来的；
23、下图列出了整个AI搭建中的框图，供参考和理解：
24、在行为树（BT_EnemyAI）中创建一个Sequence用于追踪玩家并命名为ChasePlayer，并把这个Sequence放到之前随机走动Sequence的左侧，子节点使用自带的任务MoveTo和Wait，其中Move指向之前BB_EnemyAI中建立的Key-TargetActor；
25、在ChasePlayer的Sequence上添加装饰器（Decarotar），用于判定目标对象是否被锁定；添加完后选择装饰器，在Details->BlackBoard->KeyQuery(选择is Set)->BlackBoardKey(选择TargetActor)；在Details->FlowControl(流控制)->NotifyObserver（通知观察者）->OnResualt->ObserverAborts(选择Both);
此处的设定表示AI在随机行走时，如果发现目标，则会停止随机行走，转而追踪目标；如果在追踪目标时，目标丢失后，当目标状态发生变化，AI会立即终止追踪，改为随机行走；
26、使用EQS环境查询（首先需要在编辑配置中将其打开），操作方法如下：
新建EQS查询文件EnvironmentQuery，命名为EQS_FindClosestFoodSource,双击进入编辑页面，拖动其根节点（Root），并在生成器里选择生成ActorOfClass（之前需要建一个FoodSource，模拟食物，取消碰撞机制，然后把这些Actor托到Level场景中），取消GenerateOnlyActorInRadius（此处表示场地小，AI完全可以在场地里寻找，不需要设置额外的寻找食物半径）；
右击ActorOfClass生成器，添加一个条件-DistanceToQuery，在对应的Details中，将TestPurpose设置为ScoreOnly，然后在ScoreFactor中设置因子为-1；（这样表示偏好距离更短的选择，也就是说距离越短，权重越大）
在BlackBoard中（BB_EnemyAI），新建一个Key，类型选择Food Source（之前建的Actor），并命名为TargetFoodSource；
回到行为树中（BT_EnemyAI）,在Selector下方新建一个Sequence，放在追踪和随机行走的Sequence中间，并命名为FindFood；
在FindFood的Sequence下，新建EQS查询任务，选择EQS查询，在Details->EQSRequest->选择之前建立的EQS文件；在RunMode中，选择SingleBestItem（即最优的选项）；在BlackBoard->BlackBoardKey中，选择要查询的对象FoodSource；
在FindFood的Sequence下，EQS查询任务的旁边，新建Move To任务，选择对象时Target Food Source，再建立Wait任务，设置等待时间；
根据饥饿值来判断是否是找食物，还是自由行走，还是追踪玩家（默认追踪玩家的优先级最高，其次是找食物，最后是自由行走）；
在黑板中（BB_EnemyAI），新建一个Float类型的Key，并命名为Hunger；
在行为树中（BT_EnemyAI），新建一个Service服务，命名为BTS_Hunger，打开Service文件，在其内部新建一个公共变量，命名为HungerKey,类型是BlackBoardKey；
在Service中添加一个系统事件Event Receive Tick AI（表示每次服务更新时会触发，服务和任务的区别在于，服务会一直循环运行，而Task运行完会结束，下次要使用需要重新调用）；
在Service中，内部新建一个公共变量，命名为HungerIncreaseRate，类型是Float；每次服务更新时，通过HungerIncreaseRate增加饥饿值，并把饥饿值传递给黑板（BB_EnemyAI，通过函数SetBlackBoardValueAsFloat实现）；
将Service服务放进行为树的Selector中，让它一直运行，然后将HunggerKey绑定到黑板中的Hunger；在Selector中，选择Service后，还能调整Service的更新时间间隔，以及随机偏差（RandomDerivative，此处我们不加偏差）；
在FindFood的Sequence中，添加一个装饰器，类型是BlackBoard，在装饰器的Details->BlackBoardKey，选择Hunger，并设置Key的值是1，此处表示当Key值到1时，装饰器会运行FindFood序列；
再建立一个任务，命名为BTT_SetKeyFloat，其目的是当Hunger值到1时，自动清零；
打开BTT_SetKeyFloat任务，在里面新建一个Float Key公共变量，类型是BlackBoard Key，再新建一个FloatValue公共变量，类型是Float，设置其默认值是0，使用SetBlackBoardValueAsFloat设置黑板上的Hunger值；
最后将BTT_SetKeyFloat任务放到FindFood的Sequence下，并放到最后；