游戏 AI / 系统课时

Cohesion 怎样维持群体中心

Cohesion 怎样维持群体中心

Cohesion 解决的是“群体为什么不会越走越散”这个问题。它通过观察附近邻居的位置,估算局部群体中心,再给当前单位一个朝向中心的回归趋势,让离群单位逐渐靠回来,同时保持群体整体可以继续移动。

学习目标

  • 理解 Cohesion 为什么先求邻居位置中心
  • 能把“朝中心移动”转换为稳定的转向量
  • 知道 Cohesion 与 Separation 为什么必须同时存在

先求局部群体中心

设当前单位位置为 pselfp_{self},感知范围内有 nn 个有效邻居,位置为 p1,p2,...,pnp_1,p_2,...,p_n。局部中心可以直接取平均位置:

pcenter=(p1+p2+...+pn)/np_{center}=(p_1+p_2+...+p_n)/n

接着计算从当前单位指向中心的向量:

d=pcenter−pselfd=p_{center}-p_{self}

这个向量只说明“中心在哪个方向”,还不是最终速度。真正使用时通常会把 dd 转换成期望速度或期望加速度,再经过最大速度、最大加速度等约束,避免角色突然冲向中心点。

Cohesion 根据邻居位置回归局部中心

不要直接冲向中心点

如果每一帧都把速度直接设置为“指向中心的最大速度”,边缘单位会快速扎进人群,随后又因为中心变化而反向修正,形成明显的穿插和振荡。

更稳妥的方式,是先得到期望速度:

vdesired=normalize(d)∗vmaxv_{desired}=normalize(d) * v_{max}

再用期望速度减去当前速度,得到 Cohesion 的转向量:

acohesion=vdesired−vselfa_{cohesion}=v_{desired}-v_{self}

当角色已经非常接近局部中心时,可以降低 Cohesion 输出,甚至设置一个很小的“无回归区”。这样单位不会为了追逐不断变化的平均点而来回抖动。

Cohesion 必须和 Separation 配合

Cohesion 只知道“往中间靠”,不知道“离别人太近了”。如果单独使用,它最终会把所有单位推向同一个区域,出现重叠、挤压甚至相互穿模。

因此群体移动通常同时计算两种相反趋势:Cohesion 负责在距离较远时把单位拉回群体,Separation 负责在距离过近时把单位推开。两者叠加后,才会形成既不散开、也不过度聚集的稳定间距。

Cohesion 与 Separation 的作用区间

调试时观察中心是否稳定

Cohesion 抖动通常不是公式错误,而是局部中心本身变化太快。边缘单位移动时,邻居可能频繁进入和离开感知范围,导致 pcenterp_{center} 突然跳动,角色就会不断改变回归方向。

排查时先固定一组单位,观察每帧邻居数量、中心坐标和 Cohesion 输出。如果邻居数量变化很大,可以适当扩大感知半径、限制最大回归加速度,或对中心位置做短时间平滑。若群体转弯时外侧单位被强行拉向内部,则应降低 Cohesion 权重,让 Alignment 和当前运动方向保留更高优先级。

Cohesion 的作用不是把所有单位锁死在一个绝对中心,而是让每个单位根据局部邻居维持“仍属于这个群体”的趋势。局部中心计算稳定,再配合 Separation 和受限转向,群体才能既保持聚合,又保留自然流动感。

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

Cohesion 怎样维持群体中心

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