跳轉到內容

使用 XNA/AI/人工智慧進行遊戲開發

Add links
來自華夏公益教科書

遊戲始終提供了一個開發人工智慧的環境。因此，在過去幾十年中，它成為了遊戲中最重要的組成部分之一。如今，擁有複雜 AI 的遊戲處於技術的前沿。您將在許多遊戲中需要一些更簡單的演算法，也需要一些更復雜的演算法。它在許多情況下使用，例如

  • 控制 NPC
  • 尋路
  • 動態遊戲難度平衡
  • 戰鬥

歷史

[編輯 | 編輯原始碼]

早在 20 世紀 70 年代遊戲開發的初期，程式設計師和開發者就遇到了遊戲人工智慧領域。但在那個時候，AI 很簡單，可以說很謙虛，這種狀態一直持續到幾年前才改變。

"AI 已從遊戲界的紅頭髮繼女悄悄轉變為該行業的閃耀明星" - 史蒂夫·拉賓，AI 遊戲程式設計智慧，2002 年，第 3 頁

第一款以單人模式為特色的遊戲，因此 AI 在其早期階段就像雅達利遊戲“Qwak！”一樣，並沒有像我們今天描述的那樣擁有 AI。敵人的移動主要是預定義的，並以模式形式儲存。只有隨著硬體的改進，例如微處理器的加入，才允許進行更多的計算，才能實現更多隨機元素。由此產生的遊戲包括太空侵略者、銀河戰士和吃豆人。這些遊戲呈現了例如不斷提高的難度等級、複雜多樣化的敵人移動、取決於玩家輸入的事件，甚至每個敵人的不同個性。隨著 20 世紀 90 年代新遊戲型別的出現，新的 AI 工具被開發出來並使用。其中包括有限狀態機。在較新的遊戲中，AI 成為遊戲的核心內容。AI 的改進不僅取決於給定的硬體元件。事實上，這絕對是一個非常重要的方面。有一些問題，如果沒有足夠的處理器資源，就無法解決。但應該補充的是，在遊戲開發的初期，程式設計師並沒有把 AI 太當回事。AI 通常是在完成所有高優先順序任務後才完成的。[1]

如今，AI 已經爬上了遊戲梯子的頂端，成為最高優先順序任務。

技術

[編輯 | 編輯原始碼]

遊戲中存在無數需要人工智慧的場景。那麼，您如何解決追逐、群體行為或尋路問題呢？聰明的程式設計師和開發者想出了一些巧妙的技術和演算法，為您的遊戲增添了一絲智慧。以下將解釋一些有趣的演算法和 AI 場景。我不會聲稱這是一個完整的列表。但我會向您展示您將要面對的基本場景。[2]

追逐和躲避

[編輯 | 編輯原始碼]

無論您擁有什麼樣的遊戲，都有可能遇到追逐和躲避的情況。

基本演算法

[編輯 | 編輯原始碼]

描述追逐和躲避的最簡單方法是，首先找出捕食者和獵物之間的距離，然後在追逐的情況下減小距離，在躲避的情況下增加距離。

追逐 躲避 
if (predatorPos > preyPos)
  predatorPos --;
else if (predatorPos < preyPos)
  predatorPos ++;

if (preyPos> predatorPos )
  preyPos++;
else if (preyX < predatorPos )
  preyPos-- ?  > ;

它確實有效，但顯然這不是一種非常自然的方法。

視線追逐

[編輯 | 編輯原始碼]

讓捕食者沿著直線朝向獵物移動，這更符合現實。

簡單追逐 vs. 視線追逐

查詢直線路徑的演算法稍微複雜一些。您需要找到一條直線且最短的路徑，避免捕食者和獵物之間不必要的步驟。有很多有用的演算法可以幫助我們解決這個問題。想想那些為畫素環境構建的直線繪製演算法。這些演算法用於查詢從起點到目的地的直線路徑。但我們的演算法還需要滿足另一個標準，那就是找到最短路徑。所以現在該向 Bresenham 求助了。Bresenham 的演算法可以提供我們想要的東西。您可以在這裡找到它。

攔截

[編輯 | 編輯原始碼]

對於捕食者來說，更有效的方法是在獵物軌跡的某個點攔截獵物。

攔截

應根據捕食者和獵物的相對位置和速度選擇攔截點。為了預測該點，您必須考慮三個值。它們是位置、方向和速度。

計算步驟
[編輯 | 編輯原始碼]
  1. 相對速度（接近速度）
  2. 相對距離（接近範圍）
  3. 以等於接近速度的速度（接近時間）行駛相對距離所需的時間
  4. 獵物預測位置（目標點）


Vector FindInterceptingPoint(void)
{
  Vector v, d;
  Double t; 
  v = Prey.v - Predator.v; // closing velocity
  d = Prey.pos - Predator.pos; // range to close
  t = d.Magnitude() / v.Magnitude(); // time to close
  return Prey.pos + (Prey.v * t); // target point
}


模式移動

[編輯 | 編輯原始碼]

不同移動和機動模式是預定義的。使用這些複雜模式的電腦控制角色會給人一種智慧行為的錯覺。標準演算法使用編碼指令列表或陣列。這些指令告訴電腦控制角色在遊戲迴圈中的每一步如何移動。

例子

[編輯 | 編輯原始碼]

以下模式借自 O'REILLY 的《遊戲開發者 AI》一書

Pattern[0].turnRight = 0;
Pattern[0].turnLeft = 0;
Pattern[0].stepForward = 2;
Pattern[0].stepBackward = 0;
Pattern[1].turnRight = 0;
Pattern[1].turnLeft = 0;
Pattern[1].stepForward = 2;
Pattern[1].stepBackward = 0;
Pattern[2].turnRight = 10;
Pattern[2].turnLeft = 0;
Pattern[2].stepForward = 0;
Pattern[2].stepBackward = 0;
Pattern[3].turnRight = 10;
Pattern[3].turnLeft = 0;
Pattern[3].stepForward = 0;
Pattern[3].stepBackward = 0;
Pattern[4].turnRight = 0;
Pattern[4].turnLeft = 0;
Pattern[4].stepForward = 2;
Pattern[4].stepBackward = 0;
Pattern[5].turnRight = 0;
Pattern[5].turnLeft = 0;
Pattern[5].stepForward = 2;
Pattern[5].stepBackward = 0;
Pattern[6].turnRight = 0;
Pattern[6].turnLeft = 10;
Pattern[6].stepForward = 0;
Pattern[6].stepBackward = 0;
.
.
.


該模式中編碼的指令是

  1. 向前移動 2 個距離單位
  2. 向前移動 2 個距離單位
  3. 向右轉 10 度
  4. 向右轉 10 度
  5. 向前移動 2 個距離單位
  6. 向前移動 2 個距離單位
  7. 向左轉 10 度


叢集

[編輯 | 編輯原始碼]

有時在遊戲中，讓非玩家角色以凝聚的群體移動更現實。讓我們考慮鳥類、綿羊和所有這些總是躲在羊群安全中的群居動物。或者那些大型電腦控制的人類、巨魔或獸人單位。叢集絕對是遊戲中常見的表演。看看我從 roxlu 借來的剪輯：http://vimeo.com/5352863。

基本演算法

[編輯 | 編輯原始碼]

有一些基本的叢集演算法來實現我們期望的行為。我們將看看 Craig Reynolds 演算法。這種實現是無領導的。所有鳥類（Craig Reynolds 創造的術語，指的是模擬的鳥群）個體都遵循群體本身。

規則
[編輯 | 編輯原始碼]

該演算法遵循三個簡單的規則

  • 分離
    轉向以避免撞到鄰居
  • 對齊
    轉向以使其與鄰居的平均航向對齊
  • 凝聚
    轉向朝向鄰居的平均位置
例子
[編輯 | 編輯原始碼]

您可以在此處找到對該演算法及其實現的解釋：http://oreilly.com/catalog/ai/chapter/ch04.pdf

尋路

[編輯 | 編輯原始碼]

有成千上萬個獨立的尋路問題。您找不到一種演算法作為所有這些問題的萬能藥方。即使 A* 演算法（實際上是許多問題的理想解決方案）也不適合所有情況。

基本演算法

[編輯 | 編輯原始碼]

追逐和躲避章節中的演算法進行了一些基本的尋路。我們澄清了視距演算法建立了一種更現實的移動方式。現在讓我們看一下避障

避障
[編輯 | 編輯原始碼]

實現避障最簡單的方法如下

if Player In Line of Sight
{
  Follow Straight Path to Player
}
else
{
  Move in Random Direction
}

這裡的問題是由於它的簡單性，它只適用於少量障礙物。讓角色繞過障礙物會更有效：當角色與障礙物接壤時，它會在障礙物周圍追蹤。一旦目標進入角色的視線，它就會停止追蹤。

[編輯 | 編輯原始碼]

在這裡，玩家本身正在為非玩家角色定義路徑。這樣，電腦控制的玩家看起來非常聰明。玩家在其走的每一步都留下了路標。非玩家角色只會沿著這些足跡前進。

路徑跟隨
[編輯 | 編輯原始碼]

例如，您需要在賽車遊戲中使用路徑跟隨。沒有明確的目的地。只有一條預定義的道路必須遵循。

路點導航
[編輯 | 編輯原始碼]

尋路是一項非常耗時的任務。特別是當您有一個具有大量障礙物的大環境時。路點減少了這個問題。主要思想是在遊戲環境中放置節點，然後使用它們進行廉價的尋路演算法。

A* 尋路
[編輯 | 編輯原始碼]

A* 演算法為尋路問題提供了一種有效的解決方案。

進一步的技術

[編輯 | 編輯原始碼]

我們查看了許多需要 AI 方法的遊戲玩法情況。但這些並非全部。如果您好奇，請檢視 O'REILLY 的《遊戲開發者 AI》一書

例子

[編輯 | 編輯原始碼]

乒乓球

[編輯 | 編輯原始碼]

Pong 最初由 Atari 於 1972 年釋出。它包含一個黑色螢幕，螢幕兩側各有一個球拍，中間有一個球。球拍由玩家控制，玩家可以上下移動球拍來接住左右移動的球。如果一方玩家錯過球，對方將獲得一分。當一方玩家達到一定分數（例如 10 分）時，遊戲結束。[3]

Pong 中的 AI

[edit | edit source]

如果你選擇與電腦對戰，實際上你是在與一個 AI 演算法對抗。你總是面臨著是否向上、向下移動球拍，或者保持靜止的決策。電腦也是如此。

第一種方法

[edit | edit source]

解決這個問題的一個簡單方法是分析球的當前狀態（位置和運動方向），然後決定如何移動球拍。透過知道球的方向（以度數表示的角度），你可以確定球是在螢幕上向上還是向下移動。電腦現在可以計算球和球拍在 y 軸上的位置差，並根據這個資訊決定將球拍向下或向上移動，以減少這個差值，理想情況下直到差值變為 0。如果差值接近 0，球拍可以停止，等待球的運動需要採取其他動作。

int difference = ball.positionY – paddle.positionY;

if(difference >= 5 || difference <= -5)
{
	if(difference > 0)
	{
		paddle.moveDown();
	}
	else
	{
		paddle.moveUp();
	}
}

這種方法的優點是易於實現。它不需要太多計算量（效能良好），並且往往會犯一些錯誤，或者在某些情況下措手不及。因此，它看起來更像人類操作，並且是可以戰勝的。對於電腦 AI 來說，一種會讓它措手不及的情況是，當球拍向上跟隨球移動時，在球到達球拍邊緣之前，球撞到了頂壁並改變了方向向下移動。在這種情況下，球拍可能反應太慢（尤其是在更高水平時球的速度更快），無法對方向變化做出反應，從而失去球。

第二種方法

[edit | edit source]

第二種方法稍微複雜一點，需要更多的計算。你只需要球的當前位置和當前運動方向——這些都是你可以從遊戲引擎中獲取的資訊。根據這些值，可以確定球的未來運動軌跡（包括所有牆壁碰撞和方向變化），以及球最終可能擊中 AI 玩家球拍的位置。如果你找到了這個點——而且這個點永遠不會改變，因為標準的 Pong 遊戲沒有突然發生事件來改變球的方向——你只需要直接將球拍移動到這個點上，就能接住球，並將球擊回對手的半場。這種方法也可以稍微修改，將球拍放置在擊球時能擊中球拍角落的位置，使其稍微旋轉一下。

即使它是解決這個問題的改進方案，也有一些缺點。它更難實現，可能需要更長時間，並且需要更多資源來計算球的最終位置（對於行動電話、掌上游戲機等慢速系統來說可能太慢），最重要的是（在我看來），你將有一個實際上不可戰勝的完美對手，因為它總是以最佳方式擊球，這對於真正的玩家來說可能很煩人。


更多示例

[edit | edit source]
  • Eliza
  • 井字棋

困難

[edit | edit source]

AI 必須在遊戲過程中即時計算，因此（良好）效能對於讓遊戲流暢執行至關重要。為了確保這一點，許多簡化、變通方法、演算法中的作弊行為會模擬玩家的理想行為。這樣既快又聰明。當效能是一個重要問題時，很明顯，對所有可能的決策進行暴力破解並不是處理遊戲 AI 中這種情況的最佳方法。

另一個關鍵事實是，即使電腦玩家能夠做到完美，也不應該完美地玩遊戲。作弊在這個話題中是一個很大的詞，因為電腦知道所有事實，並擁有關於遊戲世界的各種資訊，因此可以讓 AI 玩家瞭解一些在現實中不應該知道的事情。玩家必須認為自己是在與真正的對手對戰，而不是與電腦對戰，這就是為什麼首先 AI 必須是可以戰勝的（而不是無敵的），而且它必須表現得像人類一樣（犯錯、在某些情況下隨機行動等）。如果 AI 沒有以這種方式行事，遊戲很快就會對玩家變得非常無聊，或者如果玩家沒有機會獲勝就會令人沮喪。一些遊戲使用近似演算法而不是完美的解決方案，並在它們的演算法中實施“錯誤的”（或更差的）決策。

六條經驗法則和啟發式方法，足以提供良好的遊戲體驗

參考文獻

[edit | edit source]
  1. ↑ Steve Rabin (2002). AI Game Programming Wisdom. Cengage Learning.
  2. ↑ David M. Bourg, Glenn Seemann (2004). AI for Game Developers. O'Reilly Media.
  3. ↑ http://en.wikipedia.org/wiki/Pong

作者

[edit | edit source]
  • iSteffi
Retrieved from "https://wikibook.tw/w/index.php?title=Game_Creation_with_XNA/AI/Artificial_Intelligence_in_Games&oldid=3677369"
華夏公益教科書