视觉感知
视觉感知是一种常见的感知。
在许多即时战略游戏或者类DOTA游戏里，一个单位的视觉感知往往是圆形范围的。
扇形视野
当然在其他大部分俯视角游戏里，一个智能体的视觉感知应该是类似现实人眼观看的扇形范围。
对于横板游戏，可以把视野“竖”起来，检测方式无多少差别。
对于空间更加复杂的3D游戏，可能需要视锥体（立体）检测。
一个更快的技巧是照样做成扇形检测，只是再额外增加高度差检测（即看作2.5D处理）。
但是视野实际还需考虑阻挡问题，这里提供1种主流解决视野遮挡的思路：
在所在区域的所有潜在目标进行遍历，每次遍历 先判断是否在扇形范围内，
再做一条智能体到目标的射线，若射线碰到的第一个物体是该目标，则感知到该目标。
进一步的优化则可以预先“规划”好区域，构建潜在可视集（PVS），尽可能过滤不必要的目标，缩小所在区域的潜在目标数量
（例如屋外看不到房内的人，也就可以过滤掉房内的人），那么检测速度就非常快。
示例（C++）：
//视野感知
class ViewPerception {
public:
//进行一次视野感知探测
void check(Vector2 position) {
//先清理上次的结果
perceptionResult.clear();
//逐个潜在目标检测
for (Object* target : potentialTargets) {
//运用简单的数学运算判断点是否在扇形范围：
//先进行距离判断是否在半径内。
Vector2 offset = target.getPosition() - position;
float distanceSq = offset.lengthSquare();
if (distanceSq > radiusSq)continue;
//look向量和射线单位向量的数量积绝对值 若大于 数量积限制，
//则证明该射线离look向量的角度 超出数量积限制的对应角度。
float dotproduct = fabs(offset.normalize().dot(look));
if (dotproduct > dotproductlimit)continue;
//最后使用射线检测第一个碰到的物体是不是目标物体
//若射线第一个碰到的物体是目标物体，则可视为 看见了该物体
if (raycast(position, target->position).result.object == target) {
perceptionResult.emplace_back(target);
}
}
}
private:
Vector2 look; //朝前的单位向量
float radiusSq; //扇形半径的平方
float dotproductlimit; //数量积限制
std::vector<Target*> perceptionResult; //感知到的目标（结果）
//....
};
TIP:判断点在圆形范围应比较距离的平方和半径的平方，每次判断就可以减少一次开方的运算。
椭圆视野
上述扇形视野有几个缺陷:
- 智能体应该能看到贴近侧方的物体（甚至能感知到贴近背后的位置）
- 智能体对于正前方向应该能看的更远
基于这些缺陷，我们加了一个圆形和狭长的扇形视野范围（紫色点为智能体）：
但是这样计算量就提升了不少，一个代替方法是使用椭圆型视野（紫色点为智能体）：
椭圆（任意转向）的长轴长为2a，短轴长为2b，两个焦点离圆心的距离是c和-c（而且(c^2=a^2-b^2)）。
椭圆上任意一点到两个焦点的距离之和必等于2a，利用这个性质可推理出：
若某个点与椭圆上两个焦点距离之和小于2a，则必在椭圆内。
因此我们只要预设好常量值：
- a：取决于视野的长度
- b：取决于视野的宽度
- c：由(c^2=a^2-b^2)计算出
- d1,d2：在智能体位置正前方d1距离的点为焦点c1，正前方d2距离的点为焦点c2。
bool ViewPerception::checkPointInEllipse(Vector2 targetPosition){
Vector2 c1 = this->position + this->look * d1;
Vector2 c2 = this->position + this->look * d2;
if(distance(c1,targetPosition)+distance(c2,targetPosition) <= 2*a)return true;
return false;
}
椭圆型的视野不仅能解决上述缺陷，在现实中也更贴近人类视觉的模型，计算量也只略高于一个扇形视野计算。
基于分片的高性能视域搜索系统
在很多策略游戏里，视域（Line-of-Sight，简称LOS）是很重要的概念。
在典型RTS游戏里，视域分为可见区域，不可见区域，已探索（但不可见）区域，说白了就是战争迷雾机制。
为了实现视域系统，我们先把游戏世界分为一个个整齐的分片（可以是正方形网格，六边形...）。
当我们检测某个分片是否可见时，直观的做法是直接判断该分片位置是否位于玩家视野几何形状。潜在的问题是，分片越多需要检测的次数呈几何级数增长。
而更高性能的做法是：
1. 首先每个分片记录一个数值（一般是用二维数组记录），用于记录该分片是否可视。
在实现时为满足更复杂的需求可以记录额外的数据：
- 多单位视野共享，应该用一个计数，当其中一个单位不再看见该分片时，可以减少计数，而不是直接修改为不可视。
- 多方视野，应该用一个（可能多个）Byte值，其中每个位表示某方视野是否可见。这可以用在观战系统，随时屏蔽某一方或者只关注某一个玩家的视野。
- 多种视域类型，例如可见区域，不可见区域，已探索区域...则得记录枚举值。
2. 每帧将玩家的旧视野（上一帧的视野）对应的所有分片数值修改为不可视，然后根据新视野（当前帧的视野）对应的所有分片数值修改为可视。
在修改的时候，我们可以用一个LOS模板来帮助我们快速找到视野分片，并修改之。
这个LOS模板实际上就是列表数组，每一行记录该行所有视野分片的位置：
for(int i = 0 ; i < LOStemplate.size() ; ++i){
for(int j = 0 ; j < LOStemplate[i].size(); ++j){
tiles[positionX + i - offset][positionY + LOStemplate[i][j]] = true;
}
}
得益于LOS模板，我们不仅可以引入圆形LOS，还可以引入类似手电筒视野的LOS：
由于游戏里玩家可能转向，对于一些非圆形LOS，我们可以准备多个LOS模板（例如对应90°，60°，30°..方向的LOS模板）：
因为LOS模板完全可以通过预计算先算出来，所以使用它的CPU开销只与它的视野分片数相关而不是与地图分片数相关，这个性能开销已经很不错了。
3. 当需要检测分片是否可见时，直接访问记录来获取。
一个技巧是，不要主动搜索，而是利用分片记录来主动通知：
例如当一个单位需要搜索视野内的一个敌人时，不是在该单位的LOS模板范围内主动遍历搜索敌人所在的分片，
而是敌人自己根据当前位置的分片数据（多方视野记录），主动通知可看到该分片的单位。
简单来说，思想是基于事件驱动而非轮询，效率也提升的相当不错。
听觉感知
听觉感知一般比较简单粗暴：一个圆形/球形范围检测，
而且一般还无需考虑阻挡问题（现实中的声音传播可近似看作无阻挡）。
另外的，听觉感知一般需要得到的信息：
- 声音来源（例如发出声音的生物）
- 声音大小和距离
通过简单的线性计算，由声音大小和距离可以计算出实际接受声音的大小。
将这个信息作为额外数据交由决策使用。
（例如一个警卫，听到太大的声音就进入敌对状态，小的声音则进入警戒状态）
示例（C++）：
//听觉感知
class ListenPerception {
public:
//进行一次听力感知探测
void check(Vector2 position) {
perceptionResult.clear();
//逐个潜在声源检测
for (Voice& voice : potentialVoices) {
//判断目标点是否在圆形范围,即距离是否在半径内。
Vector3 offset = voice.getPosition() - position;
float distanceSq = offset.lengthSquare();
if (distanceSq > radiusSq)continue;
//实际声音大小会随着距离增大而衰减
float volume = voice.getVolume() / distanceSq;
perceptionResult.emplace_back(voice.getTarget(),volume);
}
}
private:
float radiusSq; //范围半径
std::vector<std::pair<Target*, float>> perceptionResult; //感知到的目标+实际声音大小（结果）
};
其它感知
这个其实应该叫杂项感知，因为一般来说，视觉感知和听力感知已经足够一个基本的智能体所需感知了。
但极少情况还可能一些智能体需要知道各种杂项信息（例如队长给警卫发送了一条无线电消息，要求警卫赶往队长所在位置支援）。
游戏AI 系列文章：https://www.cnblogs.com/KillerAery/category/1229106.html