16.游戏引擎Gameplay玩法系统基础AI

---

16.1 AI课程大纲

---

16.2 寻路系统

在 基础AI（Basic AI）中，寻路系统（Navigation System）是“智能体能动起来”的第一块地基：它负责在给定起点与目标点的前提下，自动找到一条可通行路径，并让运动轨迹尽量自然。

需要注意的是：玩家是否启用自动导航属于体验选择；但 AI 智能体几乎必然需要自动导航，否则很难在复杂关卡中稳定完成追击、巡逻、撤退等行为。

AI 的“智能”要成立，前置条件是能在世界里稳定地移动：哪些地方能走、哪些地方过不去，这些对人类而言近似本能的判断，需要在虚拟世界里被系统化、数据化。

以《刺客信条：奥德赛》为例：从 A 点到 B 点的“导航线”把玩家的移动决策从“找路”转成“选择目的地”；同样的能力对 AI 智能体几乎属于刚需。

导航的三步流程

导航系统通常可以拆成三个阶段：

• 地图表示：把“可通行区域”表达成计算机能处理的数据结构。
• 寻路：在该结构上搜索从起点到终点的路径。
• 路径平滑：把离散、折线的路径转化为更自然的运动轨迹。

三个阶段对应了三个问题：先把世界“表达”出来，才能把“当前位置”和“目标位置”作为输入；再在表达结构上做路径搜索；最后把搜索得到的折线结果做平滑，让运动更像真实行走。

地图表示

先定义可通行区域

“场景能看见”不等于“AI 能理解”。导航首先要回答：哪些区域允许通过。

可通行区域往往由 物理碰撞（Collision）与 运动能力（Movement Capability）共同决定，例如最大可攀爬高度、可跨越间隙、最大坡度等；在复杂项目中，同一张地图对不同智能体（步兵/载具/骑乘/飞行）的可通行区域也可能不同。

可以把 可通行区域（Walkable Area）理解为智能体的“舞台”：它并不会随着关卡美术完成而自动正确生成，而是需要把碰撞、可爬高度、可跨越沟壑等规则明确下来；同时，不同属性的智能体往往对应不同的舞台边界（例如骑乘与步行、载具与士兵）。

常见格式

可通行区域确定后，下一步是选择表达格式。课程中给出的典型选择包括：路径点网络（Waypoint Network）、网格（Grid）、导航网格（NavMesh），以及用于三维体积通行的 稀疏体素八叉树（Sparse Voxel Octree, SVO）。

路径点网络（Waypoint Network）

核心思想是用“关键点 + 连接边”覆盖可通行区域：设计或自动生成一组路径点，并建立可通行的连接关系。

使用方式与地铁网络相似：先把起点/终点投影到最近的网络节点，再在网络上规划路径，最后从离终点最近的节点走向目标点。

工程上常由设计侧放置“桥梁、门口、走廊两端”等关键点，再补充中间点形成网络；起点/终点先“接入网络”，再沿网络抵达目标附近。

优点是实现简单、搜索效率高；缺点是覆盖精度依赖节点密度与维护成本，且智能体运动容易被“吸附”到网络骨架上，表现不够自由。

网格（Grid）

核心思想是对地图进行规则离散化（方格/三角格/六边形等），每个格子记录“可通行/不可通行”及额外代价。

网格的一个工程优势是“动态更新”相对直观：障碍变化只需修改局部格子状态，调试也更友好（可视化一眼看到可通行区域与路径）。

其主要代价在于分辨率：格子越细越准确，但存储与搜索成本更高；此外，网格难以优雅表达“上下层重叠”的可通行表面。

网格很像把场景“光栅化”成小格：好更新、好调试；但当地图尺度很大、格子很密时，数据量与访问代价都会显著上升，同时“桥上/桥下”这类层叠通行也难以表达。

导航网格（NavMesh）

NavMesh 用一组多边形面片覆盖可通行表面，并在保证可用性的前提下尽量降低面片密度，从而提升寻路效率；同时它能自然表达三维场景中的可通行表面（例如桥上/桥下的不同走面）。

一个关键细节是：面片通常要求为 凸多边形（Convex Polygon）。这样从一个面片到下一个面片时，可以形成稳定的 多边形走廊（Polygon Corridor），并保证路径不会“穿出”可通行区域。

这背后的直觉是：若使用凹多边形，某些“看似可行的直线”可能穿出可通行区域；凸多边形则能保证相邻面片之间存在稳定的“共享边”（Portal），后续的路径平滑算法也会利用这一结构。

综合来看，NavMesh 是现代 3D 游戏中最常见的导航表达之一，但其自动生成与动态更新的工程复杂度更高。

稀疏体素八叉树（Sparse Voxel Octree, SVO）

当智能体不再“贴地行走”（例如飞行器、太空战），二维表面表达就不再适用。SVO 用体素与八叉树表达三维可通行体积，为 3D 空间导航提供基础，但存储与搜索复杂度更高，通常用于特定类型游戏或子系统。

路径查找（图搜索）

无论采用 Grid、Waypoint Network 还是 NavMesh，都可以抽象为一张图：节点表示“位置/区域”，边表示“可达关系”，边权表示“移动代价”。

因此，不管使用点、格子还是多边形，最终都会落到一张 图（Graph）上；寻路问题也就归约为“从起点到终点的路径搜索”。

最短路径问题的目标是：在满足可达性的前提下，尽可能降低总代价。

深度优先搜索（DFS）与 广度优先搜索（BFS）

DFS/BFS 能用于可达性探索，但在“带权最短路”与“大规模图搜索”上效率并不理想，因此更多作为概念基石。

迪杰斯特拉算法（Dijkstra）

Dijkstra 通过逐步扩张“当前已知最短距离”的边界，得到从起点到各节点的最短路；并借助 prev 记录前驱节点，用于回溯出最终路径。

实现上，除了记录“当前已知的最短距离”，还需要记录一个“前驱节点”（Previous Vertex），否则只能得到距离，无法回溯出路径本身。

A星算法（A*）

游戏中往往需要“足够好 + 足够快”的路径，而不是严格最优的全图遍历。A* 在 Dijkstra 的基础上引入 启发函数（Heuristic），用下式优先扩张更“接近目标”的节点，从而显著提升收敛速度：

\[
f(n)=g(n)+h(n)
\]

• 已知代价：( g(n) )，从起点到节点 ( n ) 的已知实际代价
• 估计代价：( h(n) )，从节点 ( n ) 到目标点的估计代价

A* 属于 启发式搜索（Heuristic Search）：用 ( h(n) ) 对“还要走多远”做估计，再把“已经走过的成本”与“估计剩余成本”合并为排序依据；并且在到达目标点时就停止，更符合游戏对实时性的要求。

在网格上，常用 曼哈顿距离（Manhattan Distance）作为 ( h(n) )；在允许任意方向移动的 NavMesh 上，常用两点间 欧几里得距离（Euclidean Distance）作为近似。

NavMesh 上还涉及“节点取样点”的选择：多边形中心/顶点/边中点都会影响成本评估精度与搜索规模，工程上常以 边中点 取得较好平衡。

在 NavMesh 上若简单连“面片中心点”，连线可能穿出走廊；工程上更常以相邻面片的共享边（Portal）取样，用“边中点序列”表达路径骨架。

从实现角度看，A* 的主体结构并不复杂：维护 开放列表（Open List）与 关闭列表（Closed List），每次取 ( f ) 最小节点扩张相邻节点即可。

启发函数的尺度会影响“速度/最优性”：估计偏低会更接近最短路但搜索更慢；估计偏高会更快但更可能偏离最短路，甚至在极端情况下提前失效。

路径平滑

寻路输出通常是离散折线，转弯频繁且存在大量不必要的拐点，需要进一步平滑。

仅按“格子/面片中心”移动会产生明显的“折线感”，表现上更像机器而非生物；平滑的目标是尽量删除无效拐点，让轨迹更接近直觉上的行走路线。

在 NavMesh 上，经典做法是 漏斗算法（Funnel Algorithm，又称 “String Pulling”）：把多边形走廊的公共边视作一系列“门”（Portal），在不越界的前提下不断收紧漏斗，删除冗余拐点，得到更接近直线的可行路径。

当目标点进入漏斗可行域时，路径可以直接收敛为最终直线路径段。

NavMesh

生成与工程化能力

现代引擎通常使用自动化方式生成 NavMesh。以常见实现思路为例：先对场景做 体素化（Voxelization），把连续几何离散到体素网格中，作为后续计算基础。

工业实现常采用类似 Recast 的思路：先把世界“体素化”，把连续几何离散成可计算的体素世界，再在体素世界上逐步生成可通行区域与多边形网格。

随后基于智能体半径/最大坡度/台阶高度等约束，标记可通行体素，并计算到边界的距离场，用于后续区域分割与收缩（避免贴边导致穿模）。

区域分割常使用 分水岭算法（Watershed）一类思想，把“可通行体素”聚类成连通区域，为多边形网格生成提供良好基础。

最终得到区域俯视图，并将区域轮廓拟合为多边形，生成可用于寻路的 NavMesh。

标记 / 瓦片 / 离网链接

实际项目常在 NavMesh 上叠加更强的工程能力：

• 多边形标记：为不同地表/区域设置标记与代价（道路/水面/泥地等），用于策略寻路与表现联动。

• 瓦片化：把整张 NavMesh 切成瓦片，在动态场景中仅重建受影响瓦片，在“寻路性能”与“重建成本”之间取平衡。

• 离网链接：补齐自动生成难以表达的“非连续移动”，例如跳跃、攀爬、传送等。

小结

• 寻路系统（Navigation System）首先解决“能走”，其次解决“走得快”，最后解决“走得像”。
• 关键链路是：可通行区域（Walkable Area）→ 表达格式（Waypoint/Grid/NavMesh）→ A星（A*）→ 漏斗算法（Funnel Algorithm）。

---

16.3 转向系统

寻路系统输出的是“在可通行区域内的一条路径”。但路径只是几何结果，智能体最终要执行的是“受物理约束的运动”。

典型差异来自运动学/动力学约束：最大线性加速度（油门/刹车）、最大角加速度（转向力）、最小转弯半径等。约束越强（载具尤其明显），就越不可能严格贴着折线/走廊中心线行进。

因此，寻路之后通常还需要 转向系统（Steering）：在不偏离整体目标的前提下，把“路径点序列”转译为每一帧的速度与加速度控制，生成一条更可执行的 合理轨迹（Reasonable Path）。

转向系统的一个工程价值在于鲁棒性：当执行轨迹因惯性产生偏移时，系统需要持续修正，避免智能体被挤出 可通行区域（Walkable Area）后出现局部停滞或反复修正。

转向行为三类原子能力

常见的转向算法可以按“输出什么控制量”分为三类原子能力：

• 追逐/逃离（Seek/Flee）：输出线性加速度，使智能体朝向目标加速或远离目标加速。
• 速度匹配（Velocity Match）：输出线性加速度，使智能体速度逐步接近目标速度。
• 对齐（Align）：输出角加速度，使智能体朝向逐步接近目标朝向。

在工程中，这些原子能力会被组合成更具体的行为：例如 追逐（Pursue）/ 躲避（Evade）、漫游（Wander）、路径跟随（Path Following）、流场跟随（Flow Field Following）、到达（Arrive）、面向（Face）、朝向速度方向（Look Where You’re Going）等。

追逐/逃离

追逐/逃离（Seek/Flee）是最直观的一类：根据“自身位置”与“目标位置”构造一个期望加速度方向，并将加速度幅值限制在智能体能力范围内。

• 输入：自身位置、目标位置
• 输出：线性加速度

Seek 的方向指向目标，Flee 的方向背离目标。它们不是最终“走哪条路”，而是回答“下一帧朝哪个方向更合理地加速”。

把“目标位置”从一个静态点扩展为动态目标/轨迹/场，就能得到一组非常常用的变体：

• 追逐（Pursue）/ 躲避（Evade）：使用目标的当前速度预测一个“未来位置”，再对该未来位置执行 Seek/Flee。
• 漫游（Wander）：持续生成一个随机游走的目标点，用 Seek 将运动变成连续的小幅转向。
• 路径跟随（Path Following）：目标点沿寻路输出的折线/曲线向前推进，智能体不断 Seek 到“路径上的前瞻点”。
• 流场跟随（Flow Field Following）：目标来自场上的方向向量（Vector Field），适合大规模群体在同一方向场中运动。

这些变体的共同点是：允许在运行时更新目标，使转向行为可以持续修正轨迹，而不仅仅执行一次性指令。

速度匹配

仅有 Seek 容易出现“冲过头再回拉”的现象。速度匹配（Velocity Match）的核心是：根据速度差与匹配时间，计算一段期望加速度，使速度在一段时间内平滑地靠近目标速度，并限制在最大加速度范围内。

• 输入：目标速度、自身速度、匹配时间
• 输出：线性加速度

当目标速度为零时，该过程就对应“平滑刹停”；当目标在运动时，该过程用于让智能体追上后与目标保持近似同速。

对齐

位置与速度合理后，还需要让朝向合理。对齐（Align）在角度层面进行控制：根据“目标朝向”与“自身朝向”的角度差，计算期望角速度/角加速度；当角度差进入减速区间（Slow-down angle）后开始减速，避免瞬间转头带来的机械感。

• 输入：目标朝向、自身朝向
• 输出：角加速度

它常被用于面向目标（Face）或面向运动方向（Look Where You’re Going），在射击、载具驾驶、编队等场景中尤为关键。

小结

• 转向系统（Steering）把“路径”转成“可执行运动”，显式处理加速度、角速度、转弯半径等约束。
• 常见原子能力是：追逐/逃离（Seek/Flee）、速度匹配（Velocity Match）、对齐（Align）；工程上通过组合得到追逐/躲避、漫游、路径跟随、流场跟随、到达、面向等更丰富行为。

---

16.4 群体模拟

群体模拟面向的不是“一个智能体如何移动”，而是“很多智能体同时移动时如何看起来合理”。典型场景包括大规模 NPC 行走、动物群（鸽群/鱼群/鸟群）受惊、编队运动等。难点主要集中在两类问题：

• 群体行为：整体看起来像一个群体在运动，而不是无关联的个体随机游走。
• 碰撞规避：个体之间、个体与环境之间尽量不发生穿模/重叠，同时保持计算可承受。

三类建模思路：微观 / 宏观 / 介观

群体模拟的经典起点来自雷诺兹提出的 Boids 系统。工程上常把群体建模分为三类：

• 微观模型（Microscopic Model）：逐个控制个体，“自下而上”涌现群体行为。
• 宏观模型（Macroscopic Model）：先定义整体趋势（势场/流场/车道规则），个体跟随趋势运动。
• 介观模型（Mesoscopic Model）：把群体划分为若干子群体，整体受宏观目标约束，个体在子群体内用微观规则运动。

微观模型

微观模型通常只给每个个体一组局部规则，就能在整体上形成高度逼真的群体形态。Boids 最经典的三条规则分别对应：

• 分离：与邻近个体保持距离，避免挤在一起。
• 内聚：向邻域“质心”靠拢，避免离群。
• 对齐：与邻近个体保持方向一致，形成同向流动。

这些规则背后是直观的“局部相互作用”，对外观影响却是全局性的。

微观模型的优点是实现相对直接、效果具有生命力；代价是可控性较弱，难以保证群体严格遵循关卡的“交通规则”，也不易直接表达“人行道/车道/路口”这类强约束结构。

宏观模型

宏观模型从整体角度刻画群体运动：先在场景里定义可行的运动结构（例如车道、行人道、区域连通图、流场/势场），再让个体沿结构运动，从而获得更强的可控性与可复现性。

这种方法对“城市人群”尤其常见：行为不再像鱼群那样自由，而更像在既定规则下流动的交通系统。

介观模型

介观模型在“宏观可控”与“微观自然”之间取平衡：把群体划分为若干小组，小组层面有统一目标或路径，组内个体再基于微观规则与局部避让进行移动。

这类思路在 RTS 中非常典型：一条指令驱动一群单位向目标区域推进，同时每个单位仍需要处理局部绕行与队形调整。

碰撞规避

无论采用哪种建模思路，只要个体数量变大，碰撞规避都很快成为瓶颈：既要避免个体互相穿透，又要避免避让造成的过度抖动与拥堵。

常见方法可以粗分为两派：基于力（Force-based）与 基于速度障碍（Velocity Obstacle, VO）。

基于力

基于力的方法把个体运动视为“期望速度/目标吸引力”与“环境约束/邻居斥力”的叠加结果。直观上：

• 邻近个体过近时产生斥力，推动彼此分离；
• 靠近墙体、障碍时产生斥力，形成绕行；
• 结合目标方向的驱动力（或期望速度），形成整体流动。

这种方法不仅用于游戏，也常用于逃生疏散等模拟：个体运动由“期望速度”与“环境交互”共同决定。

基于力方法的工程特点：

• 优点：实现与调试相对直观，扩展到更复杂的行为规则较容易。
• 缺点：依赖时间步长与参数，步长过大时容易产生不稳定或穿透；想要获得更“干净”的避让轨迹通常需要更细的积分与更多调参。

基于速度障碍

速度障碍的核心想法是把“未来会碰撞”的情况转换到速度空间：当存在某些速度会在短时间内导致碰撞时，这些速度就构成了需要避开的“障碍”。因此，避碰可以表述为“从可行速度集合中选择一个新的速度”。

在此基础上常见扩展包括：

• 速度障碍物（VO）：把对方视为不响应，单边调整自身速度。
• 互惠速度障碍法（RVO）：假设对方也会采用类似决策流程，双方各让一半。
• 最优互惠碰撞规避（ORCA）：在多智能体场景中，通过优化选择更一致、更稳定的速度。

VO 对静态障碍与“无响应对象”较直接，但在双向避让中容易出现两侧同时选择相同策略导致的振荡（例如双方同时向同一侧闪避）。

RVO/ORCA 通过把“互相让”的假设显式纳入决策，能在更多个体同时参与时降低振荡概率；其中 ORCA 进一步把可行速度约束组织成可优化的形式，从而得到更一致的避让解，但实现复杂度与计算成本也更高。

小结

• 群体模拟（Crowd Simulation）解决“多智能体同时运动”的整体合理性与碰撞规避。
• 常见建模分为 微观模型（Microscopic）、宏观模型（Macroscopic）、介观模型（Mesoscopic）。
• 碰撞规避常见两派：基于力（Force-based）与 速度障碍（VO/RVO/ORCA）。工程实践中通常按“效果稳定性/实现复杂度/性能预算”进行取舍。

---

16.5 感知

感知（Perception）是 AI 决策的输入端：没有可靠的感知，后续的行为选择就缺少依据。工程上更重要的一点是：感知通常只提供“局部、带噪声、随时间变化”的信息，而不是全局可见的完美信息。

在课程的组织方式中，感知信息可以先按来源分两类：

• 内部信息（Internal Information）：智能体自身状态，通常可直接访问。
• 外部信息（External Information）：来自场景与其他对象，需要通过规则与传感方式获取。

外部信息还可以进一步拆成：静态空间信息（Static Spatial Information）、动态空间信息（Dynamic Spatial Information）以及与对象相关的 角色信息（Character Information）。

内部信息

内部信息描述“自己是谁、处于什么状态”。常见字段包括位置、生命值、护甲状态、增益状态等。由于这些信息来源于自身组件/属性系统，读取成本低、时效性强，通常作为所有决策树/行为树的基础条件。

静态空间信息

静态空间信息用于回答“地图结构是什么”。它往往在关卡构建阶段生成或标注，常见内容包括：

• 导航数据：可通行区域、路径结构等（承接前面的寻路系统）。
• 战术地图：关卡中具有战术价值的区域抽象（例如桥头、制高点、瓶颈）。
• 智能对象（Smart Object）：梯子、可交互机关、可破坏墙体等可供 AI 使用的交互点。
• 掩护点：用于射击对抗与战术移动的可用掩体位置。

这些信息的共同特点是：不随战斗过程频繁变化，因此适合用离线构建 + 运行时查询的方式提供给 AI。

动态空间信息

动态空间信息反映“现在发生了什么”。典型做法是把局势投影到可查询的数据结构中，例如 影响力图（Influence Map）：

• 随着敌方/友方聚集、火力覆盖、危险源出现，地图上的影响值发生变化；
• 决策时结合内部状态（例如残血/弹药不足）查询影响力图，偏向规避高风险区域或选择更合适的路线与位置。

除影响力图外，动态信息还包括：

• 导航数据上的标记：临时封锁、动态障碍、危险区域标注等。
• 视野区域：可见范围随姿态、遮挡、时间衰减等因素变化。

战斗与交互的很多决策都围绕“对象”展开：敌我识别、可见性、威胁评估、追踪与丢失等。一个常见的工程抽象是为“被感知到的对象”维护一份记录，典型字段包括：

• 对象标识：游戏对象 ID。
• 可见性：当前是否可见/可感知。
• 上次感知方式：来自视觉/听觉等哪一种通道。
• 上次感知位置：用于追踪与搜索（例如朝最后可见点移动）。

需要注意的是：同一对象可能被多个智能体感知，因此记录既可以按智能体维度维护，也可以引入共享/合并机制减少重复计算。

感知模拟

在更强调沉浸感的项目中，感知往往不仅是“读取变量”，还包含传播与衰减的建模：

• 光、声音、气味在空间中传播，具有最大范围，并随距离与时间衰减；
• 视觉会被障碍物遮挡；嗅觉/听觉可能更依赖空间结构与介质；
• “辐射场/场”可以用来模拟感信号，并在必要时简化为影响力图，使得 AI 通过查询场数据完成决策。

最后还需要面对一个现实约束：感知极易成为性能瓶颈。工程上通常会通过降低更新频率、限制感知半径、按优先级分层更新、以及在邻近智能体之间共享部分感知结果等方式，控制总体成本。

小结

• 感知（Perception）为 AI 提供决策输入，强调局部、动态与可控成本。
• 信息可按来源分为 内部信息（Internal）与 外部信息（External）；外部信息进一步包含 静态空间信息（Static Spatial）、动态空间信息（Dynamic Spatial）与对象相关信息。
• 常用工程抓手包括：影响力图（Influence Map）、对象感知记录、以及带传播/衰减的感知场建模。

---

16.6 经典决策算法

决策系统负责把“感知到的信息”转成“下一步该做什么”。但决策本身并不能脱离基础系统单独存在：没有寻路、转向、群体、感知这些前置能力，决策即使给出了结论，也无法稳定落地为可执行的动作序列。

因此，这一节聚焦“经典、可工程化落地”的前向决策：有限状态机（Finite State Machine, FSM）与 行为树（Behavior Tree, BT）。同时也会点到更偏目标驱动的方向：分层任务网络（Hierarchical Task Network, HTN）、目标导向行动规划（Goal-Oriented Action Planning, GOAP）、蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS）以及基于 深度学习（Deep Learning）的决策方法，它们更强调“先有目标，再反推动作”，通常会在更进阶的 AI 系统中展开。

有限状态机

有限状态机（FSM）把智能体视为在若干“状态”之间切换：当满足某些条件时，从一个状态跳转到另一个状态。状态之间的切换称为 转移（Transition）。

FSM 的优势是结构简单、实现直接；当状态数量不大时，行为也更容易推导与验证。

以吃豆人为例，状态可以抽象为“吃豆/逃避/追击”，转移条件来自“幽灵是否接近”“是否处于强化状态”等；这种建模非常适合规则清晰、状态较少的游戏逻辑。

FSM 的主要问题出现在规模变大时：状态增多会导致转移关系膨胀，维护成本与复用性显著下降，扩展到复杂情形时往往需要频繁重构。

分层有限状态机

分层有限状态机（Hierarchical FSM, HFSM）通过层级与子状态机把复杂状态拆分成若干模块。直观效果是提升可读性与组织性（模块化更强），代价是跨层快速跳转会受到结构约束，需要在 反应性（Reactivity）与 模块化（Modularity）之间做权衡。

行为树

与“在状态之间跳转”不同，行为树（BT）把决策过程表达为一棵树：从根节点出发，按规则遍历分支，选择要执行的动作。树形结构更贴近“语言化的分支思考”——先看情况，再按条件分叉，最后落到动作；这也是它在复杂 AI 行为组织上更直观的原因。

执行节点

行为树的叶子节点通常是 执行节点（Execution Node），可分为：

• 条件节点：读取自身状态或感知结果，返回真假。
• 动作节点：执行具体动作，并返回状态：成功、失败或运行中。

其中“运行中”用于表示动作需要跨多帧完成（例如移动、追击、开门等）。

动作节点之所以常见“运行中”，是因为它往往会调用前面已经建立的基础能力：追击需要寻路与转向支撑，是否接近/是否可见需要感知支撑；决策节点负责“选哪条路”，而基础系统负责“把路走完”。

控制节点

控制节点负责把子节点的返回值组织成控制流，经典类型包括：序列（Sequence）、选择器（Selector）、并行（Parallel）与 装饰器（Decorator）。

顺序节点

顺序节点会依次执行子节点：

• 若遇到 失败：序列立即返回失败。
• 若遇到 运行中：序列返回运行中，下次继续从该运行中的子节点推进。
• 若全部 成功：序列返回成功。

图中以“开门进入”为例，序列可以表达一个小型计划：检查门是否上锁 → 解锁 → 开门 → 通过。序列的价值在于把“步骤”变成结构化的可复用模块。

选择节点

选择节点按顺序尝试子节点（可理解为优先级列表）：

• 若某个子节点返回 成功 或 运行中：选择器立即返回相同状态（停止继续尝试后续子节点）。
• 只有当所有子节点都 失败 时，选择器才返回失败。

图中展示了“巡逻/追击/攻击”的典型优先级：攻击范围内优先攻击，其次视野内追击，否则巡逻。标注的 Running 表示某个动作正在进行，选择器会保持该分支持续推进，直到状态改变。

并行节点

并行节点用于同时处理多项任务。常见实现会定义一个阈值规则（例如“至少 (M) 个子节点成功则成功”“失败超过某阈值则失败”），否则返回运行中，继续推进仍在运行的子节点。

示例体现了并行的直觉：移动到目标与射击可以同时推进，避免把复杂行为拆成互相打断的单线程状态。

基础节点小结

上图给出了常见节点类型在“成功/失败/运行中”三种返回值下的语义摘要；这也是行为树标准化与可工具化（编辑器可视化）的基础。

执行机制

行为树通常以 逻辑帧（Tick）驱动：每次 tick 从根节点开始，自上而下遍历，根据控制节点规则选择分支，并将子节点返回值逐层回传给父节点。

“从根节点开始”的意义在于可打断性：当环境条件发生变化（例如出现威胁、收到新指令），树可以在下一次 tick 迅速转向新的高优先级分支，而不是等待某个长动作自然结束。

装饰节点

装饰节点是一类只包裹单个子节点的特殊控制节点，用于施加常见策略，例如循环执行、执行次数限制、计时器、时间限制、值修改等。

图中展示了使用计时器实现“巡逻停顿”的做法：在移动节点之前插入等待装饰器，避免显式增加大量等待动作节点，从而降低树的结构噪声。

前置条件

把“能否执行”的判断以 前置条件（Preconditions）的形式贴近控制节点或动作节点，可以显著减少重复的条件分支，让树结构更紧凑、更易读。

黑板

黑板（Blackboard）用于在节点之间共享信息，可视为键值存储：动作节点把结果写入黑板（Write），后续节点再读取（Read）并据此做判断或选择分支，从而把“跨节点的数据传递”从结构连线中解耦出来。

行为树的优势

行为树天然支持层次化结构：子树可以作为模块复用；返回状态定义了清晰的接口，便于组合与替换。树形结构也更“可阅读”，使得维护往往只影响局部子树。

行为树也具备较强的 反应性（Reactivity）：每个 tick 都会根据环境变化调整分支。同时，由于每次 tick 都是一个完整决策过程，配合可视化工具更易调试与回放定位。

行为树的缺点

行为树的典型开销来自“从根节点开始的重复 tick”：树越大、响应性越强（每帧检查的条件越多），总体计算成本越高。因此工程实现中常结合节点裁剪、条件缓存、事件驱动的局部更新等策略进行优化；但一旦引入事件驱动，也需要保证关键事件覆盖充分，否则会出现分支切换滞后。

走向规划

FSM 与行为树更偏向“根据当前情况向前推进”的决策：它们擅长把规则落地成稳定的反应式行为，但“意义与目标”往往需要额外系统来提供。

为了让 AI 具备更强的目标导向能力，常引入 规划（Planning）思想：把动作抽象为带 前置条件（Preconditions）与 效果（Effect）的原子操作，由规划器基于当前世界状态搜索出一条动作序列，使系统朝目标（Goals）推进。这类方法把“要做什么”从规则触发转为目标驱动，通常更适合复杂的任务链与长期策略。

小结

• 经典决策系统主要包括 有限状态机（FSM）与 行为树（BT）；HFSM 用层级结构缓解 FSM 的复杂度问题。
• 行为树通过“执行节点 + 控制节点 + 三态返回值”形成可组合的决策结构，并通过装饰器、前置条件、黑板等机制提升可维护性与表达力。
• 当需要更强的目标导向能力时，决策会进一步走向 规划（Planning）类方法。

---

---

转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 785293209@qq.com