游戏 AI / 系统课时

加入失去目标后的搜索策略

加入失去目标后的搜索策略

敌人一旦看不见玩家就立刻回去巡逻,会显得缺乏连续性;但无限追踪最后位置又会让 AI 卡在无效状态。本节用“最后已知位置 + 搜索计时 + 超时退出”建立一条完整搜索链路,让敌人在丢失目标后先调查,再可靠地恢复巡逻。

学习目标

  • 能区分实时目标位置与最后已知位置的生命周期
  • 能组织“前往最后位置、短暂搜索、超时退出”的搜索流程
  • 能处理重新发现目标、搜索超时和任务取消三种关键分支

丢失目标时不要立即清空全部信息

感知系统通常维护两个不同概念:targetVisible 表示现在是否仍能看到目标,lastKnownPosition 表示最后一次确认目标时的位置。两者不能一起清空。

当目标仍可见时,持续刷新最后已知位置;当目标刚离开视野时,只把 targetVisible 设为 false,保留最后位置并记录 lostAt。只有搜索结束、目标死亡或任务重置时,才真正清理这组搜索上下文。

这个区分让行为树获得一个重要过渡状态:看不见目标,但仍有值得调查的位置。

目标丢失后从追击切换到最后已知位置搜索并超时返回巡逻的状态流程

把搜索过程建成有限生命周期

搜索策略可以看成三个连续阶段:先移动到最后已知位置,再在附近搜索,最后根据结果退出。每个阶段都必须有明确完成条件,避免长时间 RUNNING。

一个实用的判断顺序是:

  1. 如果重新看到目标,立即结束搜索并回到战斗分支。
  2. 如果目标不可见但还没到最后已知位置,继续移动。
  3. 到达后启动搜索计时,并周期性执行转向、观察或局部扫描。
  4. 超过搜索时限仍未发现目标,清理搜索上下文并返回巡逻。

搜索计时最好从“确认丢失目标”或“到达最后位置”中的一个明确时刻开始,并全项目保持一致。若从到达后开始计时,导航耗时不会侵占实际搜索时间,更容易调参数。

用最小状态机验证搜索逻辑

下面的示例模拟敌人已记录最后位置,从移动、搜索到超时退出的全过程。真实项目里,MOVE_TO_LAST_KNOWN 可对应导航节点,SEARCH 可对应旋转观察、路径点扫描或感知 Service。

python
from enum import Enum, auto


class SearchState(Enum):
    MOVE_TO_LAST_KNOWN = auto()
    SEARCH = auto()
    PATROL = auto()
    COMBAT = auto()


class EnemySearch:
    def __init__(self, search_timeout=3.0):
        self.state = SearchState.MOVE_TO_LAST_KNOWN
        self.last_known_position = (10.0, 5.0)
        self.search_elapsed = 0.0
        self.search_timeout = search_timeout

    def tick(self, dt, arrived, target_visible):
        # 重新发现目标时优先级最高,立刻退出搜索流程。
        if target_visible:
            self.state = SearchState.COMBAT
            return self.state

        if self.state is SearchState.MOVE_TO_LAST_KNOWN:
            if arrived:
                self.state = SearchState.SEARCH
                self.search_elapsed = 0.0
            return self.state

        if self.state is SearchState.SEARCH:
            self.search_elapsed += dt
            if self.search_elapsed >= self.search_timeout:
                self.last_known_position = None
                self.state = SearchState.PATROL
            return self.state

        return self.state


def main():
    search = EnemySearch(search_timeout=3.0)

    frames = [
        {"dt": 1.0, "arrived": False, "visible": False},
        {"dt": 1.0, "arrived": True, "visible": False},
        {"dt": 1.0, "arrived": True, "visible": False},
        {"dt": 1.0, "arrived": True, "visible": False},
        {"dt": 1.0, "arrived": True, "visible": False},
    ]

    for index, frame in enumerate(frames, start=1):
        state = search.tick(
            dt=frame["dt"],
            arrived=frame["arrived"],
            target_visible=frame["visible"],
        )
        print(
            f"frame={index} state={state.name} "
            f"elapsed={search.search_elapsed:.1f} "
            f"last={search.last_known_position}"
        )


if __name__ == "__main__":
    main()

预期输出:

text
frame=1 state=MOVE_TO_LAST_KNOWN elapsed=0.0 last=(10.0, 5.0)
frame=2 state=SEARCH elapsed=0.0 last=(10.0, 5.0)
frame=3 state=SEARCH elapsed=1.0 last=(10.0, 5.0)
frame=4 state=SEARCH elapsed=2.0 last=(10.0, 5.0)
frame=5 state=PATROL elapsed=3.0 last=None

这个例子有意把“是否重新发现目标”放在最前面,因为它通常是最高优先级事件。只要重新获得视野,旧的搜索计时和移动目标就不应继续主导行为。

搜索动作不要只写成原地等待

到达最后已知位置后,如果节点只是等待几秒,视觉效果很机械。搜索阶段可以由多个低成本动作组成,例如面向几个方向观察、在小半径内选择一两个搜索点、短距离移动后再次扫描。

但这些动作仍然要受同一个搜索预算约束。不要因为内部又走了一个搜索点,就把总计时重新置零;否则敌人可能在多个局部动作之间无限循环。

处理重新发现、死亡和取消

搜索期间最重要的不是“怎么搜”,而是任何时刻都能正确退出。重新发现目标时,应取消当前搜索导航并切回战斗;目标已确认死亡时,应直接清理目标与最后位置;AI 被击晕、死亡或任务重置时,也应终止搜索节点自己的计时器和导航请求。

这里仍然遵守“谁启动,谁清理”的原则。搜索节点负责取消自己发起的移动和计时;感知系统负责更新是否重新看见目标;战斗系统负责判断目标是否死亡。把这些边界分开后,搜索逻辑可以独立替换,而不会破坏其他行为。

用三个条件验收搜索策略

完成实现后,至少验证三条路径:目标在搜索途中重新出现时能立即回到战斗;始终找不到目标时能在预算内回到巡逻;搜索过程中 AI 被打断时没有残留导航、计时或旧目标数据。

只要最后已知位置有清晰的写入与失效时机、搜索过程有有限生命周期、任何高优先级事件都能安全打断,敌人的“丢失目标”就不再是一个特殊补丁,而会成为可维护的正常行为分支。

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

加入失去目标后的搜索策略

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