BehaviourTree AI 行为树AI 实现的一些总结思考

GameRes游资网授权发布 文 / 杨漱玉青

　　Behaviour Tree的AI模块现在被很多地方所采用，前段时间自己实现了一个AI套件在Unity，中间也遇到了不少坑，现在来总结一下心得。

　　网上有很多行为树AI的介绍和实现，在这就不重复了。

　　更新频率过快导致的行为表现异常

　　行为树模块需要周期性的更新，先说说连续几个周期存在的问题。如果这个周期满足条件是Actor A走到Actor B周围的随机位置的Action，于是Actor A在执行这个行为的时候先找到了一个Actor B的随机位置，然后走过去。下一个周期如果依然满足条件是执行这个Action，于是Actor A又立即重新执找了一个随机位置走过去。下下一个周期再次随机了…

　　如此反复就表现为Actor A在Actor B附近转来转去，如果更新频率过快，很有可能还会各种抖动的移动，非常突兀的效果。

　　不仅仅是走路这个行为，其他行为很有可能也遇到类似的情况。

　　有人会说，放慢AI的更新频率不就好了吗？

　　但是你很难把握这个AI更新频率到底是多少，如果过慢，就会出现Actor呆滞在原地显得呆板生硬，过快的话，就出现了上述描述的情况。经验上来说不能通过放慢AI更新频率解决这个问题。

　　我的解决方法是，会有一个额外的AI调度器，来决定这个AI行为实在会真的被执行。比如说对于走到Actor B随机位置的这个Action，如果上一次还是执行这个相同的Action，那么会检测一下上一次的Action是否执行完成了，如果执行完成了，那么才 会真正的执行。

　　这样尽管行为树不断决策出相同的Action，但是却不会造成Actor被更新过快的问题，并且也不会出现呆滞在原地的情况。

　　Action执行间隔问题

　　另外还有一个Action执行间隔的问题，比如说这段时间都满足攻击的Action执行，于是Actor A开始不断攻击Actor B，但是攻击频率如此之高可能是超过了理想的预期，比如说让游戏变得更难，这可能是设计者不想要的情况。

　　我在Action中添加了一个执行间隔的设计，让这个Action执行的时候每次都有间隔时间，下一次如果尽管还会执行到这个Action，但是如果还没超过每次执行的间隔时间，那么这个Action就不会被执行。

　　那么如果这个Action不执行的话，Actor又有可能会呆滞在原地，因为Ta需要等待间隔时间到达。为了避免这一种情况，我在单个Action中 添加了一个间隔使用的Action，当处于间隔时期时，就执行这个间隔使用的Action，比如很有可能是在原地随便走动一下。这样就避免了在攻击的间 隙，Actor呆滞的问题。

　　群聚

　　群聚算法比较简单，但是避免一堆怪物堆叠在一起，除了使用很耗性能的物理方式之外，还以为有其他方式，比如说群聚移动的目标计算的时候，单个Actor的坐标是被分隔好的，直接在目的地坐标上把Actor分隔开，这样避免了怪物的堆叠，而且性能比物理计算高很多。

　　AI Editor

　　因为采用了行为树，于是编辑器的设计也使用了节点式的表现，我是拿Qt 5制作的编辑器，保存成离线的json格式。毕竟各种Win32的Application Framework中，最熟悉的就是Qt。

　　如图：

 

　　这里展示的是一个很简单的普通怪物AI，当然还可以弄更复杂的BOSS级怪物的AI。

　　AI Debugger

　　目的是在AI Editor中实时的反应出AI执行情况，模仿Unreal的Blueprint Debugger的效果。这个功能还未完成，做了一个开头，也初步印证我的想法是可行的。

　　最早期的设想比较黑科技，类似与MonoDevelop和Mono Unity Debugger的实现，可以直接读取出Unity中的AI代码运行数据从而在AI Editor中反应。不过看起来难度和工作量都颇大。

　　于是真正开始实现的是另外一个方案：

　　制作了一个AISpy的Unity插件，使用C++。这个AI Spy插件因为被Unity所运行，于是Ta可以被动的被Untiy C#的AI代码告知当前的AI执行情况，比如说当前行为树执行路径，AI运行情况等等。然后AI Spy开辟一个进程间的内存共享区，将当前的AI数据放入这个共享区，然后AI Editor来读取这个进程的内存共享区数据即可得到当前的AI执行数据，从而在AI Editor中反应出当前的AI情况。

　　因为Unity使用了C#脚本，于是这里涉及到C++和C#的互相调用和数据传输的问题，于是这方面的知识也需要知道。

　　大概的执行流程图如下：

　　性能

　　AI的性能被重点的关注，因为毕竟是一个大型消耗性能的地方。在这里也做了很多的优化，甚至是非常小粒度的优化来试图提升性能。

　　首先是Action，Condition和其他一些行为节点映射到具体的真正的行为函数的实现，在早期的时候使用了C#的反射，一大好处就是简便轻 松，添加新行为函数之后直接在AI json脚本里面直接写即可，但是却带来了可观的性能开销。于是后来是通过手工的字符串到函数映射来做的，虽然说代码看起来很不好看，但是性能却提高了不 少。

　　另外一些关于性能优化的大概总结如下：

　　1.如果在编译期就能确定循环数目的，请直接手工展开语句，而不是使用循环。

　　2.正则表达式非常耗性能。

　　3.开方运算尽量少。

　　4.Unity的transform。position等等操作相关耗性能也是可观的，尽量减少。

　　5.减少性能密集型的时期，将工作量尽可能的分散开来。

　　6.虚函数尽可能的减少调用。

　　7.三目运算符要比if更快。

　　8.避免反射。

PS：大概就是这些，欢迎探讨~