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 ,感知范围内有 个有效邻居,位置为 。局部中心可以直接取平均位置:
接着计算从当前单位指向中心的向量:
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 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。

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:
再用期望速度减去当前速度,得到 Cohesion 的转向量:
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。

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 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。