游戏 AI / 系统课时

NPC 距离和威胁怎么归一化

NPC 距离和威胁怎么归一化

距离可能是 3 米或 30 米,威胁值可能已经累计到几千,生命值又常以百分比表达。直接把这些数字相加,量纲最大的因素会天然支配结果。本节把不同输入转换到统一评分区间,让后续目标排序真正比较“重要程度”,而不是比较数值大小。

学习目标

  • 把距离、威胁和生命状态转换到统一的 0~1 区间
  • 区分“原始值越大越好”和“原始值越小越好”的归一化方向
  • 避免候选集合变化导致评分规则自身漂移

归一化解决的是量纲问题

假设 NPC 同时看到两个玩家:A 距离 5 米、威胁 300;B 距离 12 米、威胁 900。如果直接计算 威胁 - 距离,距离几乎不起作用,因为几百点威胁与十几米距离根本不在同一尺度上。

更稳定的做法是先把每个因素映射成统一语义:0 表示最不值得选择,1 表示最值得选择。之后再进入加权评分,权重才具有可解释性。

不同量纲输入归一化到统一评分空间

先确定高分代表什么

归一化不能只套公式,首先要确定每个因素的方向。威胁越高越应该优先处理时,可以使用正向映射;距离越近越优先时,则需要反向映射。

如果最大有效感知距离为 maxDistance,距离评分可以写成:

distanceScore=1−clamp(distance/maxDistance,0,1)distanceScore=1-clamp(distance/maxDistance,0,1)

因此距离为 0 时得到 1,达到或超过最大距离时得到 0。

威胁值如果设计上认为达到 threatCap 后继续增加也不应改变决策,可以使用:

threatScore=clamp(threat/threatCap,0,1)threatScore=clamp(threat/threatCap,0,1)

生命值则取决于设计目的。若 NPC 倾向优先攻击残血目标,可以使用:

lowHealthScore=1−clamp(currentHp/maxHp,0,1)lowHealthScore=1-clamp(currentHp/maxHp,0,1)

三个结果虽然来自完全不同的物理量,现在都表达“越接近 1,越符合当前决策倾向”。

用固定业务边界而不是当前候选极值

常见做法是拿当前候选中的最小值和最大值做 Min-Max 归一化。数学上没有问题,但实时 NPC 决策中经常会产生漂移:一个很远的新目标刚进入感知范围,就可能改变所有旧目标的归一化结果,即使旧目标自身完全没有变化。

更适合游戏运行时的方式,是使用设计阶段确定的稳定边界,例如最大有效距离 30 米、威胁饱和值 1000。边界由规则决定,而不是由这一帧恰好出现了哪些目标决定。

算一组真实候选

假设最大距离为 20 米,威胁饱和值为 1000,并且低生命值越值得攻击。三个候选经过归一化后如下:

候选 距离 威胁 生命值 distanceScore threatScore lowHealthScore
A 4 m 300 80% 0.80 0.30 0.20
B 10 m 900 50% 0.50 0.90 0.50
C 16 m 1200 20% 0.20 1.00 0.80

这里最重要的不是谁最终胜出,而是所有因素已经具有一致语义。候选 C 的威胁即使从 1200 增长到 3000,threatScore 仍保持 1;这表示设计者明确规定“超过阈值后额外威胁不再增加决策价值”。

归一化完成后再谈权重,才是在表达“距离与威胁谁更重要”。如果连评分方向、边界和饱和规则都没有先稳定下来,调整权重往往只是在掩盖输入尺度的问题。

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

NPC 距离和威胁怎么归一化

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