游戏 AI / 系统课时

降低 EQS 与感知成本

降低 EQS 与感知成本

当几十名敌人同时追踪玩家时,频繁的 EQS 查询和大范围视觉检测可能把工作集中到同一帧,造成卡顿。本课先建立性能基线,再限制查询触发和候选数量,最后确认优化没有让敌人反应迟钝或丢失目标。

学习目标

  • 区分感知检测、行为树刷新与 EQS 查询各自的成本来源。
  • 用 Service 间隔、候选过滤和感知范围降低无效工作。
  • 在相同压力场景下验证耗时下降且行为正确。

用固定场景建立性能基线

在一张有导航网格的测试地图中放置相同数量的敌人,安排玩家沿固定路线进入视野、绕过掩体并离开追击范围。记录同时激活的 AI 数、查询触发次数、每次候选数量,以及游戏线程耗时。比较前后必须保持 AI 数量、玩家路径、画质和运行环境一致。

在 PIE 视口打开控制台,逐条输入:

text
stat unit
stat game

预期结果:视口显示帧耗时与游戏线程的统计面板,具体数值因机器和场景而异。stat unit 可帮助确认 Game 线程是否成为瓶颈,但不能仅凭它断定问题来自 EQS。需要进一步用 Unreal Insights 的 CPU 时间线配合查询计数确认热点;正式衡量优先使用相同构建配置的独立运行版本。

找出重复工作的来源

EQS 一次查询通常经历 Generator 产生候选、Context 提供参考对象、Tests 过滤和评分。候选越密、参与 Trace 或 Pathfinding Test 的点越多,每次查询越可能昂贵;多个 AI 在同一帧触发还会造成尖峰。

AI Perception 则负责接收视觉、听觉等刺激。扩大 Sight Radius 或视野角度可能使更多目标进入检测范围。不要把 Max Age 误认为感知扫描间隔:它管理刺激记忆的有效期,调小它可能改变丢失目标后的行为,却不等于降低视线检测频率。

还要检查是否在 Tick 中主动重复查找目标、反复写入未变化的 Blackboard 值,或让每个敌人在没有战术需求时持续运行 EQS。

把事件、决策和查询分开调度

感知层优先通过 On Target Perception Updated 处理目标出现或消失,再把有效状态写到 Blackboard;只在状态实际改变时触发后续决策。行为树的追击分支通过 TargetActor Is Set 等条件控制是否工作,不需要每帧重建整套决策。

如果战术位置需要周期刷新,在追击分支挂载 Run EQS Service,选择 Query Template、结果 Blackboard Key,并从 Interval = 0.5 s、Random Deviation = 0.1 s 开始试验。这是测试起点而非通用标准;可按目标移动速度和掩体变化调节。随机偏差有助于错开多个 AI 的集中触发。只要不需要持续重新选点,也可改为在进入战术阶段时通过 Run EQS Query Task 触发一次。

EQS 与感知分层调度及成本控制数据流

缩小每次 EQS 的工作量

先收窄 Generator 的生成范围或加大网格点间距,避免密集生成大量用不到的候选;再用距离等较便宜的过滤条件排除明显不合格的位置,让昂贵的射线和路径测试面对更少候选。观察实际测试数量与耗时,不要假定仅改变节点摆放顺序就能改变引擎的执行成本。

只需要一个移动目的地时可使用 Single Best Item,不必返回 All Matching 再由业务层遍历。不过选择单个结果不代表引擎无需评估候选;真正的成本仍取决于生成器、测试和查询频率。

感知侧要根据关卡尺寸收紧 Sight Radius、Lose Sight Radius、Peripheral Vision Half Angle Degrees 和 Detection by Affiliation,减少无关目标;确保丢失视野后仍保留设计所需的搜索记忆,不能为了省耗时把范围压到无法正常发现玩家。

用行为正确性验收优化

在原测试路线重复多次,比较 Game 线程耗时(特别关注峰值)、单位时间 EQS 执行次数、候选数量与敌人到达战术位置的延迟。然后分别测试目标突然转向、近距离绕墙、失去视野和重新发现目标。若帧耗时下降但追击明显滞后,应适度缩短查询间隔,或在关键事件上增加一次即时查询,而不是恢复每帧查询。

优化目标是减少无效检测和重复选点,不是让 AI 少思考到无法做出及时、稳定的决策。

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

降低 EQS 与感知成本

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