摘要：重做警局/AI

写在前面的话

该篇内容来源于VOID向玩家群体所发送的邮件与Steam的公告。
该翻译旨在让更多的人了解与理解RoN游戏以及官方开发组。
如有错误，敬请指出

注：本篇部分表达经过润色与本土化，具体意思请以英文原文为准

2023.03.31 Ready Or Not 支持者开发日志 卷50

内容：重做警局/AI

来自 VOID Interactive

绪言

        嘿，老哥们！

        这是我们两周一次开发者日志的第50卷！为纪念这里程碑时刻，我们这次的日志将是一卷加长卷。上半篇章我们将来看看重做后的警局（Lobby），而下半篇章则用较长的篇幅来介绍我们RoN的AI系统。

        我们先来看看警局重做的咋样了，警局是几乎所有玩家第一个进入的场景，警局的整体的氛围与其破败的样子，隐射了Los Suenos（游戏世界）的背景，作为给玩家留下游戏第一印象的场景，其塑造十分重要。

        明显后改的房间，破败的建筑，都与高科技的现代警用装备强烈反差，向玩家明示着游戏世界的模样。

重做警局

        蛮多老地图都已经被翻新过了，而大本营——警局总不能还是现在这鸟样吧。在Adam（22年12月）更新中，警局就已经改过一版细节了，是时候给你们展示一下我们后续对警局的改动了。

        往后，警局会有更多的边边角角可供玩家探索，甚至还藏一个复活节彩蛋。大部分就像现在的帽子、咖啡机一样，而有一些甚至会给你、swat，甚至整个游戏体验带来变化。

Ali的RoN AI小课堂

        应你们的请求，参与Ready or Not AI开发较多的Ali，给我们写了一篇关于RoN中AI，如何依照各种态势决策并执行的文章。

        在RoN中，我们使用的AI系统是基于效用的AI系统（Utility-Based AI System）。该系统是一种决策模型。

        PS：常见的AI决策系统有：决策方法：有限状态机（Finite-State Machines），分层状态机（Hierarchical Finite-State Machines），行为树（Behavior Trees），效用系统（Utility Systems），目标导向型行动计划（Goal-Oriented Action  Planners），分层任务网络（Hierarchical Task Networks）[1]

        效用AI系统是通过在计算机中利用数值、公式以及函数曲线对人类行为建立数学建模。在这数学模型中试图模拟的“人”被称为智能体，更通俗一点叫“人工智能”。在不同的环境中，智能体都有其决策列表（或称行为列表）。每一个决策帧都将从行为列表中选择一个行为来执行。这就人工智能持续决策的核心。

        对于每个行为，其都有对应的多个决策因子，从数学层面上正是这些组成了决策模型，并最终得出该行为的得分。每个行为都会计算其得分，并将其聚合（通过某种评分方式）为最终得分，选择评分最高的行为作为AI决策行为。（PS：该方式可以简化地认为数值化参数并加权计算最优解，AI决策的核心便是依照决策模型，选择出模型认为的最优解）所得出的AI决策行为将作为AI的行动行为（利用行为执行系统进行执行），其决策也具有一定的有效时长，通过这种方式使得AI决策实施更具一贯性，而非摇摆不定、反复横跳。同时，我们还采用 行为中断系统（Commit Interrupts），其包含一系列行为，每个决策帧都将评估这些行为，若决策执行，则可以打断当前的行为。（PS：此处指的应该是无视决策有效时长，立刻中断。）这种方式能让我们更灵活地管控AI。

        得分只是基于四种基本运算——加减乘除所得出的结果。其相当简单，只是在计分器中进行四则运算。同时，模型师也能通过调整分数计算来影响决策模型。

        比方说，决策因子——“健康”。在不同的情形下，我们设计对应的函数对其进行评分，最终输出一个数值。对于“健康”，最简单的就是用 当前值/最大值 得到介于0.0-1.0的一个值（或称分数），如果需要的话也可以对其进行加权计算，来进一步调整AI的决策。你可以想象其他决策因子会有比这更复杂的评分函数。评分函数的得分还将被响应曲线进一步所映射，并作为最终的决策分数。默认的都是线性函数，但你也可以选择其他的缓冲函数，如指数函数、正弦函数（甚至你可以用自定义函数，我们将提供相对简单的方式来让你使用自定义函数）。

        0.9的健康度（依照函数变换后）可能有不同的得分导向（好或坏）。正向得分的比如无需找掩体，可以采取一些更激进的行为。假如说你希望决策偏向满血，则是负向得分，会促使智能体找掩体，并自己回血（当然，RoN里AI不会回血，只是举个例子，但能充分说明即使数值相同，采用不同函数也可以有不同的决策导向）。

        试想一下，决策模型涵盖数百个决策因子，通过调整其对应函数可以使得嫌犯/平民具有不同的性格特征，有些人更倾向于负隅抵抗，而有些人更倾向于当老六，甚至有些你行动慢了他就自杀。

        此外，我们系统中还有个不算啥创新，但确实其他效用AI系统中都没见过的设计。阈值门系统。他作为决策因子的辅助设计而存在。阈值门和决策因子类似，但输出并非浮点数，而是布尔类型的是或否，开放或关闭。其目的是控制决策时是否考虑某种行为。只有阈值都满足时，才会去考虑这个行为。其中一种用法就是实现冷却机制，用常规的决策因子和函数难以实现这种二进制（两状态）的判断。即冷却时间是否结束？这种冷却判断需要在考虑决策行为之前执行。在没有这种设计之前，有些时候AI会在没有外界刺激的情况下就自己投降，或者干一些我们不希望的事，但通过调试其分数权重，又确实符合函数。阈值门让我们多了一种调控AI的方式，（能够限制AI的行为边界）让他们不至于干一些离谱事，便于游戏设计师设计游戏。

        通过数学模型与公式来调整输出结果（利用权重、计分方式和响应函数），能让不同AI具有各种不同的特性，从而影响玩家的游戏体验，而这种特性难以通过手动编程来实现。我们先前的AI基本就是一个大型的有限状态机，只能通过硬编码的方式来进行调整。但如果要更进一步，实现更好的AI系统，让设计师可以在编辑器中快速地条恒AI行为，而无需程序介入，那就需要将决策系统从有限状态机换到效用系统了（这耗费了6个月的时间）。

        不过，像移动并捡起收缴武器、破门（含有多个中间状态）等具体行为，我们还是用的有限状态机。在宏观决策方面，决策核心都是基于效用系统的，不再需要按“如果怎样，那就怎样”这种模式来设计AI，而是为他们设计一套行为规则，然后让他们自行决策，（开发起来）相对更加简洁，也更像我们心目中的“AI”。

        我们开发要做的就是开发AI包含各种决策行动的模型（AI的定义/个性）。完成后，就可以给AI设置对应的模型。目前我们差不多有50个左右的AI模型，为了简化开发，一张地图中AI一般都具有类似的模型，毕竟没必要反复开发相同的东西，好用的模型能复用就直接复用；毕竟维护这些AI模型的投入也不小，开发还是尽量保持精简的好。

结语

        这就到了第49卷开发者日志的结尾，别忘了继续关注未来的开发信息。

        如果你们想要帮我们在Steam支持者的开发版本上测试新内容，并与我们反馈您的意见，亲自参加RoN的各种活动，欢迎来www.voidinteractive.net或在Steam商店页面购买成为支持者。

        若你是在Youtube或Twitch上想做点新游戏的视频创作者的话，要不要试试这游戏？Ready or Not已和Lurkit合作以提升创作体验。请务必在这关注我们：https://www.lurkit.com/games/ready-or-not/streams

脚踏实地，志存高远

VOID Interactive

参考/引用文献

注：关于效用系统可参照以下大佬所撰写的文章

[1] wolf96 游戏人工智能开发之6种决策方法 https://blog.csdn.net/wolf96/article/details/48310353

麻了，这篇是真的长

E1xP

2023/04/01