游戏 AI 感知与寻路：感知系统、A*/NavMesh 寻路与动态避障

「敌人会追我、会绕开障碍、会包抄」——这些看似智能的行为，底层是两套系统的配合：感知（AI 怎么知道玩家在哪）与寻路（AI 怎么走到玩家那）。很多开发者上来就套 A*，结果小地图能跑、大地图卡死，或敌人「看得见墙也绕不过去」。本文剥开 AI 感知与寻路外壳，聚焦四个核心模块：感知系统（AI 的「眼睛和耳朵」）、A 寻路原理与优化*、NavMesh 导航网格与动态障碍、避障与行为衔接，并用 Unity NavMesh、Godot Navigation 与自研 A* 三重视角对照。

建议先读 游戏 AI：行为树与寻路 建立 AI 决策层视角，本文深入其「感知 + 移动」一层。

1. 感知系统：AI 的「眼睛和耳朵」

1.1 感知模型

AI 感知 = 视野 + 听觉 + 记忆（三层）
  ├── 视野：扇形检测（角度 + 距离 + 遮挡）
  ├── 听觉：球形检测（声音源 + 音量衰减 + 距离）
  └── 记忆：感知结果存在「黑盒」里（目标位置、上次见到的时间）

flowchart LR
    A["玩家位置"] --> B["视野检测（扇形+遮挡）"]
    A --> C["听觉检测（球形+衰减）"]
    B --> D["感知记忆"]
    C --> D
    D --> E["行为决策"]

1.2 视野检测

// 视野：角度内 + 距离内 + 无遮挡
bool CanSee(Vector3 playerPos, Vector3 myPos, Vector3 forward, float fov, float range) {
    Vector3 toPlayer = playerPos - myPos;
    if (toPlayer.magnitude > range) return false;
    if (Vector3.Angle(forward, toPlayer) > fov / 2f) return false;
    if (Physics.Raycast(myPos, toPlayer, out hit, range)) {
        if (hit.collider.tag != "Player") return false;  // 被墙挡了
    }
    return true;
}

1.3 感知的代价控制

感知检测不能每帧对所有 AI 全做（会爆）：
  ├── 频率控制：每 0.2~0.5s 检测一次（不是每帧）
  ├── 分级检测：近的每帧、远的低频
  ├── 遮挡用射线：预算控制在几条射线内
  └── 静态遮挡：可预计算遮挡关系，不用实时射线

记忆：感知是「视觉扇形 + 听觉球形 + 记忆黑盒」，关键在频率控制——别让 AI 的「眼睛」比玩家的 GPU 还贵。

2. A* 寻路原理与优化

2.1 A* 的核心

A* = 把地图抽象成图，找从起点到终点的最短路径
   ├── 节点（Node）：格子/顶点
   ├── 代价（g）：从起点到这的开销
   ├── 启发式（h）：到这终点的估计开销
   └── f = g + h，每次扩展 f 最小的节点

A* 伪码：
  openList = [start]; cameFrom = {}; gScore[start] = 0
  while openList 非空:
    当前 = openList 中 f 最小的
    if 当前 == 终点: 回溯路径
    for 邻居 in 当前的邻居:
      g2 = gScore[当前] + 移动代价
      if g2 < gScore[邻居]:
        更新 gScore、记录 cameFrom、加入 openList

2.2 启发式与优化

启发式是否准决定 A* 快慢：
  ├── h 低估 → 扩展多但路径准
  ├── h 高估（可接受）→ 扩展少但可能非最优
  └── 网格地图常用曼哈顿距离（四方向）/ 欧氏（任意方向）

记忆：A 的引擎是「f = g + h」*，工程优化在「堆 + 启发式 + 分层」，别小看 h 的估算——它决定你是扩展 100 个节点还是 10000 个。

3. NavMesh 导航网格与动态障碍

3.1 NavMesh 是什么

A* 在「格子图」上跑；NavMesh 把可行走区域变成「多边形网格」
  ├── 优点：贴合真实地形（斜坡、窄缝、台阶）
  ├── 生成：烘焙（离线）或运行时生成
  └── 寻路：在网格上做 A*，再平滑路径

NavMesh 生成流程（离线烘焙）：
  场景几何 → 标记可行走区域 → 生成多边形网格 → 保存 .asset
运行时寻路：
  Agent 请求路径 → NavMesh 上 A* → 得到路径点 → Agent 沿路径移动

3.2 动态障碍处理

障碍不是固定的（门开合、柱子倒塌、玩家放置物）：
  ├── 动态障碍：运行时把障碍区域「切出」NavMesh
  ├── 避障：Agent 之间互相避让（RVO/ORCA）
  └── 局部重寻：遇到新障碍 → 只重算局部路径

记忆：NavMesh 是「给 A 一张贴地形的图」*。动态场景的关键是「障碍切图 + Agent 避让 + 局部重寻」，三者配合才能应付会变的世界。

4. 避障与寻路衔接

4.1 寻路 vs 避障

寻路（全局）：从 A 到 B 的大方向（NavMesh/A*，低频）
避障（局部）：眼前这步怎么走（RVO/ORCA，高频）
  ├── 全局寻路：每 0.5s 或到达节点时重算
  ├── 局部避障：每帧调整方向避免撞人/撞墙
  └── 融合：沿路径点走 + 每帧避障修正

Agent 移动每帧：
  1. 全局路径：当前目标节点（低频更新）
  2. 局部避障：修正方向（高频）
  3. 实际移动：朝修正后的方向走

4.2 与行为树衔接

寻路结果 → 行为树的「移动」动作：
  ├── 行为树决策「追玩家」→ 寻路到玩家位置 → 沿路径移动
  ├── 感知发现新目标 → 重新决策 → 重新寻路
  └── 寻路失败（无路可走）→ 行为树切「放弃/巡逻」

记忆：寻路解决「往哪走」，避障解决「怎么走」，行为树决定「要不要走」。三者是 AI 移动的三层，接错了（用避障做全局）就会「原地打转」。

5. 寻路性能优化

大地图 + 多敌人的寻路性能：
  ├── 寻路频率：不是每帧，是「到节点才重算」
  ├── 路径缓存：同一目的地多人共享缓存
  ├── 分层：上层导航（区域级）→ 下层细走
  └── 异步：寻路放后台线程，别卡主线程

心法：寻路性能的瓶颈在「次数」不在「单次」——把「每帧重算」改成「到点重算 + 缓存 + 分层」，百个敌人也能跑得动。

6. 最佳实践与总结

AI 感知与寻路决策清单：

1. 感知控频：视野/听觉检测 0.2~0.5s 一次，别每帧全做。
2. A 打好底*：堆 + 好启发式 + 分层，先快后准。
3. NavMesh 贴地形：大地图别用格子，烘焙 NavMesh。
4. 动态障碍三件套：切图 + 避让 + 局部重寻。
5. 全局与局部分开：寻路定大方向、避障调小步，别混。

自研 AI 移动最小骨架推荐阅读顺序：感知检测 → A* 寻路 → 路径平滑 → 沿路径移动 → 局部避障。每完成一层，用一个「敌人追玩家绕障碍」的 demo 验证感知→寻路→移动的衔接。

AI 移动没有银弹：Unity NavMesh 现成、Godot Navigation 轻量、自研 A* 可控。但感知控频、全局/局部分离、路径缓存这三件事不分引擎必须做对——它们决定 100 个敌人时游戏卡不卡。

相关阅读：游戏 AI：行为树与寻路 讲解决策层；游戏性能剖析与优化 讲解寻路性能预算。