游戏 AI / 系统课时

用 Pursue 预测目标位置

用 Pursue 预测目标位置

Pursue 的核心是把“追目标”改成“追目标即将到达的位置”。实现时先取得 NPC 与目标的距离,再用可控的预测时间把目标速度转换成位移,最后将预测位置作为 Seek 的目标点。这样既保留 Seek 的简单结构,又能减少追逐移动目标时的滞后。

学习目标

  • 理解 Pursue 的预测时间计算方式
  • 能实现一个带最大预测时间的 Pursue steering
  • 能验证静止、近距离和高速目标下的行为边界

预测时间怎样计算

假设 NPC 当前位置为 PnP_n,目标位置为 PtP_t,目标速度为 VtV_t,双方距离为 d=∣Pt−Pn∣d=|P_t-P_n|。一个常见的工程近似是使用 NPC 的最大速度估算“追到当前目标点大约需要多久”:

t=dvmaxt=\frac{d}{v_{max}}

然后限制最大预测时间:

tpredict=min⁡(dvmax,tmax)t_{predict}=\min\left(\frac{d}{v_{max}},t_{max}\right)

当 NPC 已经非常接近目标时,预测时间会很短;距离较远时,预测时间增长,但不会无限增加。之后计算预测点:

Ppredict=Pt+VttpredictP_{predict}=P_t+V_t t_{predict}

这个预测点再交给 Seek 计算 steering force。

实现一个最小 Pursue

下面的 Python 示例使用二维向量实现核心计算。代码不依赖游戏引擎,可以直接运行,用于先验证预测公式本身是否符合预期。

python
from dataclasses import dataclass
import math


@dataclass
class Vec2:
    x: float
    y: float

    def __sub__(self, other: "Vec2") -> "Vec2":
        return Vec2(self.x - other.x, self.y - other.y)

    def __add__(self, other: "Vec2") -> "Vec2":
        return Vec2(self.x + other.x, self.y + other.y)

    def __mul__(self, scalar: float) -> "Vec2":
        return Vec2(self.x * scalar, self.y * scalar)

    def length(self) -> float:
        return math.hypot(self.x, self.y)


def pursue(npc: Vec2, target: Vec2, target_velocity: Vec2,
           npc_max_speed: float, max_prediction: float) -> Vec2:
    offset = target - npc
    distance = offset.length()

    if npc_max_speed <= 0:
        raise ValueError("npc_max_speed must be greater than 0")

    # 距离越远,允许的预测时间越长,但始终受上限控制。
    prediction = min(distance / npc_max_speed, max_prediction)
    return target + target_velocity * prediction


def main() -> None:
    npc = Vec2(0, 0)
    target = Vec2(10, 0)
    target_velocity = Vec2(2, 0)

    predicted = pursue(
        npc=npc,
        target=target,
        target_velocity=target_velocity,
        npc_max_speed=5,
        max_prediction=3,
    )

    print(f"prediction_x={predicted.x:.1f}")
    print(f"prediction_y={predicted.y:.1f}")


if __name__ == "__main__":
    main()

预期输出

text
prediction_x=14.0
prediction_y=0.0

距离为 1010,NPC 最大速度为 55,因此预测时间为 22 秒;目标当前速度为每秒向 xx 轴前进 22 个单位,所以预测位移为 44,最终追逐点从 (10,0)(10,0) 提前到 (14,0)(14,0)。

为什么要限制预测时间

如果直接使用 d/vmaxd/v_{max},远处目标可能产生很大的预测时间。目标随后一旦改变方向,NPC 就会冲向过时的预测点,表现成明显的过冲。因此 tmaxt_{max} 是 Pursue 中重要的稳定性参数,而不是可有可无的优化项。

实际项目还可以进一步使用相对速度计算预测时间。当目标快速接近 NPC 时,单纯使用 NPC 最大速度的估算可能偏粗;但对于入门阶段和大多数简单追逐场景,距离除以最大速度已经足以建立正确的预测行为。

怎样验证 Pursue 是否生效

最直接的验证方式是让目标以恒定速度直线移动,再分别观察 Seek 与 Pursue 的转向点。若 Pursue 正常工作,NPC 的目标点应位于目标当前位置前方;当目标停止时,预测点应逐渐回到目标当前位置附近;当目标改变方向时,预测点也应随新速度方向快速修正。

因此,Pursue 并不是另一套完全独立的移动算法,而是在 Seek 之前增加了一层短期位置预测。预测时间负责控制“提前多少”,预测位置负责回答“追哪里”,而后续的 steering 仍然可以沿用原有的加速度、速度限制和到达逻辑。

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

用 Pursue 预测目标位置

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