​

Utility AI 决策系统

[!IMPORTANT] 核心理念: AI 不应该只是“处于”某种状态 (State)，而应该根据当前环境评估所有可能行为的“效用” (Utility)，并选择最优解。

​

1. 为什么选择 Utility AI? (Why Utility AI?)

​

FSM vs Utility AI

• FSM (有限状态机):
  • 逻辑: IF (Health < 30%) THEN Transition(Retreat)
  • 缺点: 僵硬。如果血量 31% 但敌人拿着火箭筒怎么办？状态转换连线会变成“蜘蛛网”。
• Utility AI:
  • 逻辑: Score(Retreat) = Curve(Health) * Curve(EnemyThreat) * Curve(CoverDistance)
  • 优点: 动态权衡。即使血量健康，如果威胁极大且掩体很近，AI 依然可能选择撤退。

​

适用场景

• 模拟类游戏 (The Sims): 需求系统 (饿了吃，困了睡，但如果房子着火了，灭火的效用会瞬间超过睡觉)。
• 战术射击 (Killzone/Halo): 复杂的战场评估 (掩体质量、侧翼包抄、武器射程)。
• RPG/RTS: 复杂的技能释放优先级。

​

2. 数学模型 (The Mathematical Model)

​

2.1 响应曲线 (Response Curves)

​

2.2 组合公式 (Aggregation)

• 加权平均 (Weighted Average): $Score = w_1 C_1 + w_2 C_2$
  • 缺点: 容易被某个高分项“平均”掉，忽略了致命缺陷。
• 乘法 (Multiplication): $Score = C_1 \times C_2 \times C_3$
  • 推荐: 只要有一项是 0 (例如：没有弹药)，总分即为 0 (无法射击)。这符合逻辑否决。
• 补偿因子 (Compensation): $Score = (1 - (1-C_1) \times (1-C_2))$
  • 用于计算“至少满足一项”的逻辑。

​

3. 架构设计 (Architecture Design)

​

3.1 核心组件

1. Context (上下文): 包含 AI 自身、目标、世界状态的数据包。
2. Consideration (考虑因素):
   • 输入: Context
   • 参数: AnimationCurve (响应曲线)
   • 输出: 0-1 的 float
3. Action (行为):
   • 包含一组 Consideration。
   • 最终得分 = 所有 Consideration 的乘积。
4. Brain (大脑/决策器):
   • 每帧(或每0.1秒)遍历所有 Action。
   • 执行得分最高的 Action。

​

3.2 代码结构示例

// 1. 考虑因素基类
public abstract class Consideration : ScriptableObject {
    public AnimationCurve responseCurve;
    public abstract float Score(AIContext context);
    
    protected float Map(float rawValue) {
        return responseCurve.Evaluate(Mathf.Clamp01(rawValue));
    }
}

// 2. 具体实现：我的血量
[CreateAssetMenu(menuName = "AI/Considerations/My Health")]
public class HealthConsideration : Consideration {
    public override float Score(AIContext context) {
        // 归一化血量
        float rawHealth = context.self.currentHealth / context.self.maxHealth;
        // 如果曲线是反向的（血越少分越高），在编辑器里画一条从左上(0,1)到右下(1,0)的线
        return Map(rawHealth);
    }
}

// 3. 行为定义
[CreateAssetMenu(menuName = "AI/Action")]
public class UtilityAction : ScriptableObject {
    public string actionName;
    public List<Consideration> considerations;
    
    public float Evaluate(AIContext context) {
        float score = 1f;
        foreach (var con in considerations) {
            score *= con.Score(context);
            if (score == 0) return 0; // 剪枝优化
        }
        return score;
    }
}

​

4. 最佳实践与优化 (Best Practices)

​

4.1 惯性 (Inertia) / 滞后 (Hysteresis)

• 规则: 当前正在执行的行为，在下一帧评分时获得 1.1x 或 +0.1 的加成。
• 效果: 除非新行为的效用显著高于当前行为，否则保持现状。

​

4.2 双层架构 (Dual-Layer)

• Utility AI 决定：“我现在应该进攻”。
• FSM 执行：“播放拔剑动画 -> 寻路 -> 挥砍”。

​

4.3 性能优化

• 分帧计算: 不要每帧计算所有 AI。将 AI 分组，每帧只更新一组。
• LOD (Level of Detail): 远处的 AI 降低决策频率（例如 1秒一次），近处的 AI 高频决策（0.1秒一次）。

​

5. 业界案例 (Industry Cases)

​

The Sims (模拟人生)

• 机制: 基于需求的 Utility AI。
• Interaction Object: 椅子、冰箱等物体会“广播”它们能提供的效用。
  • 冰箱: 提供“饱腹感”。
  • 床: 提供“精力”。
• AI: 遍历周围物体，寻找能最大化当前匮乏需求的物体。

​

Killzone 2 (杀戮地带 2)

• 机制: 动态战术位置评分 (TPS)。
• 实现: 战场被划分为网格。每个格子根据掩体方向、视线遮挡、距离队友远近进行动态打分。
• 结果: AI 会自然地寻找最佳掩体，侧翼包抄，而不需要硬编码脚本。

​

6. 扩展阅读

• GDC 2015: Building a Better Centaur (Utility AI in Infinite Crisis)
• Dave Mark’s “Behavioral Mathematics for Game AI”