https://www.bilibili.com/video/BV1yf421f73K/?spm_id_from=333.1007.0.0&vd_source=fc347fedea8422d015bd5dd27d971487
有没有人会这个视频里面的AI行为逻辑,怎么设计啊,光一点向量点积法完全不会。目前已经能够简单的用向量点积法判断方向,但是和角色距离远近和障碍远近的时候怎么设计,还有偏移
![](https://profile-avatar.csdnimg.cn/bb70475af60144aeb87930d5a2f79ebb_wuyiwoyi.jpg!4)
关于#游戏引擎#的问题:有没有人会这个视频里面的AI行为逻辑,光一点向量点积法完全不会
- 写回答
- 好问题 0 提建议
- 追加酬金
- 关注问题
- 邀请回答
-
6条回答 默认 最新
关注
引自免费微信小程序:皆我百晓生
在视频中,AI的行为逻辑是基于路径寻找算法(如A*)以及一个简单的吸引力/排斥力模型来实现的。为了帮助您理解并实现这段逻辑,我会逐步解释每个部分,并提供一些示例代码。
首先,我们需要一个路径寻找算法,这里我们选择A算法。A算法用于找到从起点到终点的最短路径,它结合了两个关键概念:启发式成本函数(h(n))和实际移动代价(g(n))。在这个场景中,我们可以将地图上的每个格子视为节点,节点之间的边表示可以行走的距离。
以下是A*算法的基本伪代码:
def a_star_search(start, goal, grid): open_set = PriorityQueue() open_set.put((0, start)) came_from = {} g_score = {start: 0} f_score = {start: heuristic(start, goal)} while not open_set.empty(): current = open_set.get()[1] if current == goal: break for neighbor in get_neighbors(current, grid): tentative_g_score = g_score[current] + cost(current, neighbor) if neighbor not in g_score or tentative_g_score < g_score[neighbor]: came_from[neighbor] = current g_score[neighbor] = tentative_g_score f_score[neighbor] = tentative_g_score + heuristic(neighbor, goal) if neighbor not in open_set.queue: open_set.put((f_score[neighbor], neighbor)) return reconstruct_path(came_from, goal) def heuristic(a, b): # Manhattan distance is often used as a simple heuristic return abs(a[0] - b[0]) + abs(a[1] - b[1]) def cost(current, neighbor): # Assuming unit cost to move from one cell to another return 1 def get_neighbors(node, grid): neighbors = [] # Add code here to find all valid neighbors based on the grid return neighbors
接下来,我们需要创建一个吸引力和排斥力模型。这可以通过向量点积来实现。当AI看到目标时,它会产生一个指向目标的向量,并通过点积计算与当前朝向的差异,然后调整其速度向量。同时,为了避免撞上障碍物,可以检测到障碍物后产生一个避开它的向量。
下面是一个简单的吸引和避开行为的Python代码片段:
import math def calculate_attract_vector(actor_pos, target_pos): attract_vec = [target_pos[0] - actor_pos[0], target_pos[1] - actor_pos[1]] return attract_vec def calculate_repel_vector(actor_pos, obstacle_pos, radius): repel_vec = [obstacle_pos[0] - actor_pos[0], obstacle_pos[1] - actor_pos[1]] length = math.sqrt(repel_vec[0]**2 + repel_vec[1]**2) if length > radius: repel_vec = [repel_vec[0]/length * (radius - length), repel_vec[1]/length * (radius - length)] else: repel_vec = [0, 0] return repel_vec def update_actor_speed(actor_pos, actor_direction, target_pos, obstacles, max_speed): attract_vec = calculate_attract_vector(actor_pos, target_pos) total_vec = [0, 0] for obstacle in obstacles: repel_vec = calculate_repel_vector(actor_pos, obstacle, obstacle_radius) total_vec[0] += repel_vec[0] total_vec[1] += repel_vec[1] dot_product = attract_vec[0]*actor_direction[0] + attract_vec[1]*actor_direction[1] normalized_attract_vec = [attract_vec[0] / max(abs(attract_vec[0]), 1e-6), attract_vec[1] / max(abs(attract_vec[1]), 1e-6)] adjusted_attract_vec = [normalized_attract_vec[0] * dot_product, normalized_attract_vec[1] * dot_product] total_vec[0] += adjusted_attract_vec[0] total_vec[1] += adjusted_attract_vec[1] speed = [total_vec[0] / max(abs(total_vec[0]), 1e-6), total_vec[1] / max(abs(total_vec[1]), 1e-6)] speed[0] *= max_speed speed[1] *= max_speed return speed
这些代码段应该能帮助您实现视频中的AI行为逻辑。您可以根据实际情况调整启发式函数、成本函数、邻居获取方法以及最大速度等参数。如果您需要进一步的帮助,比如如何在具体的游戏引擎中集成这些功能,请随时提问。
解决 无用评论 打赏 举报 编辑记录
悬赏问题
- ¥60 远程协助启动mysql服务
- ¥15 想问一下STM32创建工程模板时遇到得问题
- ¥15 Fiddler抓包443
- ¥20 Qt Quick Android 项目报错及显示问题
- ¥15 而且都没有 OpenCVConfig.cmake文件我是不是需要安装opencv,如何解决?
- ¥15 oracleBIEE analytics
- ¥15 H.264选择性加密例程
- ¥50 windows的SFTP服务器如何能批量同步用户信息?
- ¥15 centos7.9升级python3.0的问题
- ¥15 安装CentOS6时卡住