• AI 行为树


    by AKara 2010-12-09 @ http://blog.csdn.net/akara @ akarachen(at)gmail.com @weibo.com/akaras


      谈到游戏AI,很明显智能体拥有的知识条目越多,便显得更智能,但维护
    庞大数量的知识条目是个噩梦:使用有限状态机(FSM),分层有限状态机(HFSM),
    决策树(Decision Tree)来实现游戏AI总有那么些不顺意。

      试试Next-Gen AI的 行为树(Behavior Tree) 吧。

      虽说Next-Gen AI,但距其原型提出已有约10年时间,而Halo系列(HFSM like),
    Spore,Crysis 2,Red Dead Redemption等早已用行为树作为它们的AI结构。
    如从未接触,那wikipedia(http://en.wikipedia.org/wiki/Behavior_Trees)
    绝对是入门好资料。

    ---------------------------------------------------------------------

      先贴本文最具价值图(配色可花了不少时间)


    behavior tree


     
      为显美观:BT被横放,Node层次被刻意减少,Dec被刻意安插,Cond被刻意捏造。
      PS:其实真正的高效的Node Group剔除应多加一层Sequence Node。
     
    ---------------------------------------------------------------------

      行为树(Behavior Tree) 具有如下的特性:
     
      它只有4大类型的Node:
      * Composite Node
      * Decorator Node
      * Condition Node
      * Action Node
     
      任何Node被执行后,必须向其Parent Node报告执行结果:成功 / 失败。
      这简单的成功 / 失败汇报原则被很巧妙地用于控制整棵树的决策方向。

    ---------------------------------------------------------------------
     
      先看Composite Node,其实它按复合性质还可以细分为3种:
      * Selector Node
        当执行本类型Node时,它将从begin到end迭代执行自己的Child Node:
        如遇到一个Child Node执行后返回True,那停止迭代,
        本Node向自己的Parent Node也返回True;否则所有Child Node都返回False,
        那本Node向自己的Parent Node返回False。
       
      * Sequence Node
        当执行本类型Node时,它将从begin到end迭代执行自己的Child Node:
        如遇到一个Child Node执行后返回False,那停止迭代,
        本Node向自己的Parent Node也返回False;否则所有Child Node都返回True,
        那本Node向自己的Parent Node返回True。
     
      * Parallel Node
        平行执行它的所有Child Node。
        而向Parent Node返回的值和Parallel Node所采取的具体策略相关:
        Parallel Selector Node: 一False则返回False,全True才返回True。
        Parallel Sequence Node: 一True则返回True,全False才返回False。
        Parallel Fall On All Node: 所有False才返回False,否则返回True。
        Parallel Succeed On All Node: 所有True才返回True,否则返回False。
        Parallel Hybird Node: 指定数量的Child Node返回True或False后才决定结果。

        Parallel Node提供了平行的概念。
        不需要像Selector/Sequence那样预判哪个Child Node应摆前,哪个应摆后,
        常见情况是:
        (1)用于平行挂接多棵Action子树。
        (2)在Parallel Node下挂一棵子树,并挂上多个Condition Node,
           以提供实时性和性能。
        Parallel Node增加方便性的同时,也增加实现和维护复杂度。


      PS:上面的Selector/Sequence准确来说是Liner Selector/Liner Sequence。
      AI术语中称为strictly-order:按既定先后顺序迭代。
     
      Selector和Sequence可以进一步提供非线性迭代的加权随机变种。
      Weight Random Selector Node提供每次执行不同First True Child Node的功能。
      Weight Random Probability Node提供每次挑选唯一一个Node的功能。
      Weight Random Sequence Node则提供每次不同的迭代顺序。
      AI术语中称为partial-order,能使AI避免总出现可预期的结果。

    ---------------------------------------------------------------------

      再看Decorator Node,它的功能正如它的字面意思:它将它的Child Node执行
      后返回的结果值做额外处理后,再返回给它的Parent Node。很有些AOP的味道。
     
      比如Decorator Not/Decorator FailUtil/Decorator Counter/Decorator Time...
      更geek的有Decorator Log/Decorator Ani/Decorator Nothing...

    ---------------------------------------------------------------------
     
      然后是很直白的Condition Node,它仅当满足Condition时返回True。

    ---------------------------------------------------------------------
     
      最后看Action Node,它完成具体的一次(或一个step)的行为,视需求返回值。
      而当行为需要分step/Node间进行时,可引入Blackboard进行简单数据交互。
     
    --------------------------------------------------------------------- 
     
      整棵行为树中,只有Condition Node和Action Node才能成为Leaf Node,而也
    只有Leaf Node才是需要特别定制的Node;Composite Node和Decorator Node均
    用于控制行为树中的决策走向。(所以有些资料中也统称Condition Node和Action
    Node为Behavior Node,而Composite Node和Decorator Node为Decider Node。)
     
      更强大的是可以加入StimulusImpulse,通过Precondition来判断masks开关。
     
      通过上述的各种Nodes几乎可以实现所有的决策控制:if, while, and, or,
    not, counter, time, random, weight random, util...
     
    --------------------------------------------------------------------- 

      总的来说,行为树具有如下几种优点,确实是实现AI框架的利器,甚至是一种
    通用的可维护的复杂流程管理利器:

    > 静态性
      越复杂的功能越需要简单的基础,否则最后连自己都玩不过来。
     
      静态是使用行为树需要非常着重的一个要点:即使系统需要某些"动态"性。
     
      其实诸如Stimulus这类动态安插的Node看似强大,
      但却破坏了本来易于理解的静态性,弊大于利。
      Halo3相对于Halo2对BT AI的一个改进就是去除Stimulus的动态性。
      取而代之的做法是使用Behavior Masks,Encounter Attitude,Inhibitions。
      原则就是保持全部Node静态,只是根据事件和环境来检查是否启用Node。
     
      静态性直接带来的好处就是整棵树的规划无需再运行时动态调整,为很多优化
      和预编辑都带来方便。

    > 直观性
      行为树可以方便地把复杂的AI知识条目组织得非常直观。
      默认的Composite Node的从begin往end的Child Node迭代方式就像是处理一个
      预设优先策略队列,也非常符合人类的正常思考模式:先最优再次优。
     
      行为树编辑器对优秀的程序员来说也是唾手可得。

    > 复用性
      各种Node,包括Leaf Node,可复用性都极高。
      实现NPC AI的个性区别甚至可以通过在一棵共用的行为树上不同的位置来
      安插Impulse来达到目的。
     
      当然,当NPC需要一个完全不同的大脑,比如70级大BOSS,
      与其绞尽脑汁在一棵公用BT安插Impulse,不如重头设计一棵专属BT。

    > 扩展性
      虽然上述Node之间的组合和搭配使用几乎覆盖所有AI需求。
      但也可以容易地为项目量身定做新的Composite Node或Decorator Node。
      还可以积累一个项目相关的Node Lib,长远来说非常有价值。

  • 相关阅读:
    Linux下nginx 的常用命令
    linux下nginx常用命令
    docker logs 命令使用
    docker pause 命令使用
    容器到底是个啥?(附Docker学习资源汇总)
    Docker镜像(image)详解
    Docker常用命令
    Docker常用命令大全
    NEW SECRET “???” ACHIEVEMENT AND CARD BACK FROM BARRENS – MYSTERIES OF THE PHOENIX – FULL SOLUTION INSIDE!
    凤凰之谜卡背 new card back "secrets of the phoenix"
  • 原文地址:https://www.cnblogs.com/hewei2012/p/3281901.html
Copyright © 2020-2023  润新知