游戏 AI / 系统课时

定时扫描目标并写入黑板

定时扫描目标并写入黑板

行为树中的追击和攻击节点最好不要各自扫描世界。更稳定的做法是由一个感知 Service 按固定间隔寻找候选目标,把当前目标写入黑板,其他节点只消费这份数据。本课实现一个最小可运行版本,并处理没有目标时的清理逻辑。

学习目标

  • 实现按固定周期执行的目标扫描 Service
  • 把扫描结果转换成稳定的黑板字段
  • 正确处理目标出现、持续存在和消失三种情况

感知链路只保留一个数据入口

一个常用的数据流是:Service 定时触发扫描,感知逻辑返回候选目标,Service 选择当前目标并写入黑板,Condition 和 Action 再读取黑板。这样行为节点不会直接依赖感知实现。

定时感知写入黑板的数据流

关键点不是“扫描到目标时写入”,而是每次真正执行扫描后都要写出完整结果。如果本轮没有合法目标,就应该清空旧目标,否则黑板会继续保存一个已经离开感知范围的对象,行为树可能一直追击幽灵数据。

实现一个最小定时扫描 Service

下面使用 Python 构造一个与具体游戏引擎无关的最小模型。Service 每两个行为树 Tick 扫描一次,选择扫描半径内距离最近的目标,并把 target_id 与 target_distance 写进黑板。

python
from dataclasses import dataclass
from math import hypot


@dataclass
class Target:
    target_id: str
    x: float
    y: float


class TargetScanService:
    def __init__(self, radius: float, interval_ticks: int) -> None:
        if interval_ticks <= 0:
            raise ValueError("interval_ticks must be greater than 0")
        self.radius = radius
        self.interval_ticks = interval_ticks
        self.elapsed_ticks = 0

    def tick(self, blackboard: dict, candidates: list[Target]) -> None:
        self.elapsed_ticks += 1
        if self.elapsed_ticks < self.interval_ticks:
            return

        # 到达扫描周期后重新计时,而不是每个行为树 Tick 都查询环境。
        self.elapsed_ticks = 0
        valid = [
            (hypot(target.x, target.y), target)
            for target in candidates
            if hypot(target.x, target.y) <= self.radius
        ]

        # 没有合法目标时必须覆盖旧值,避免黑板残留失效目标。
        if not valid:
            blackboard["target_id"] = None
            blackboard["target_distance"] = None
            return

        distance, target = min(valid, key=lambda item: item[0])
        blackboard["target_id"] = target.target_id
        blackboard["target_distance"] = round(distance, 1)


def main() -> None:
    blackboard = {"target_id": None, "target_distance": None}
    service = TargetScanService(radius=6.0, interval_ticks=2)
    candidates = [Target("player", 3.0, 4.0), Target("decoy", 8.0, 0.0)]

    for tick in range(1, 7):
        if tick == 5:
            candidates = []

        service.tick(blackboard, candidates)
        print(tick, blackboard["target_id"], blackboard["target_distance"])


if __name__ == "__main__":
    main()

预期输出:第 2 个 Tick 第一次扫描到距离为 5.0 的 player;第 5 个 Tick 虽然候选目标已经消失,但尚未到扫描周期,因此旧值会暂时保留;第 6 个 Tick 扫描后才被清空。

text
1 None None
2 player 5.0
3 player 5.0
4 player 5.0
5 player 5.0
6 None None

这种短暂延迟正是定时 Service 的基本权衡:扫描越频繁,信息越新,但查询成本越高;扫描越稀疏,性能压力越小,但决策看到的数据可能稍微滞后。

黑板字段要表达稳定事实

示例只保存两个字段。实际项目中可以增加目标位置、最后发现时间或目标类型,但不要把一次扫描得到的整批临时候选对象全部塞进黑板。黑板更适合保存后续节点真正需要的稳定决策上下文。

条件节点可以读取 target_id 判断是否存在目标,追击节点读取目标引用或目标位置执行移动,攻击节点再结合距离和冷却状态决定是否攻击。它们不需要知道 Service 使用了圆形范围、视锥还是导航查询。

扫描周期应该跟数据变化速度匹配

不要把 Service 的周期机械地设置成每帧一次。玩家是否进入几十米感知范围通常不需要与渲染帧率同步,而近距离瞄准点或高速移动目标的位置可能需要更频繁更新。

实际调优时可以先记录三个量:一次扫描的成本、目标变化到黑板更新之间允许的最大延迟、同时运行该 Service 的 NPC 数量。然后再选择更新周期,而不是单独观察某一个 NPC 是否“足够灵敏”。

只要保持“定时感知负责写、黑板负责存、条件与动作负责读”这条边界,后续无论把扫描实现替换成视野检测、空间索引还是事件缓存,都不需要重写追击和攻击节点。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

定时扫描目标并写入黑板

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通