问为NPC选择动画序列--使用行为树？

EN

通常，您需要将猫的逻辑从动画中分离出来。

首先，您需要编写猫逻辑。我发现了一种很好的方法，就是将逻辑分解成层。

需要

猫可能有某种动机或需要(吃、睡等)。随着时间的推移，这种情况会慢慢增加，在做这些事情时会减少(想想看，西姆斯)。如果您愿意，可以使用模糊逻辑来选择满足最大需求的当前任务。

任务

现在，在每一个时刻，猫都有一项任务(找食物，找床睡觉，找地方到处跑，等等，懒也是一项任务)。这些任务告诉猫该去哪里，想做什么。

Actions

现在有第三层-行动。每个目标都有一系列的行动要做(站起来，走向，蹲着，吃，等等)。每项行动都要对其执行负责。例如，步行动作应该检查障碍物，把猫从A点送到B点，可能包含并执行子动作(跳过障碍物，蹲在家具下面等等)。

动画

现在，当猫有需要，一个任务和一个动作，你可以选择正确的动画为该行动。了解当前和下一个动画，你应该能够从一个过渡到另一个。如果任务说猫应该在走到枕头前躺下，那么动画就是排队--步行--停--坐--躺。

如果将动画作为节点映射到图中，并在可转换的动画之间连接节点，则可以有效地完成动画排队(例如，步行坐下是可能的，但跳到咀嚼是可能的)。然后，您可以使用此图上的A*将动画从每个动画排队到任何其他动画。

猫需要休息和吃东西。让“休息”的任务找到一个地方休息，走猫那里，放下它和休息。让“休息”任务不时检查条件，如果环境变得不舒服，让任务结束。检查猫现在想要什么更多，如果它还想休息-重复前面的部分。当猫休息-选择新的任务。

我认为您正在寻找的是有限状态机或有限状态机。简而言之，这是改变全国人大行为的一种方式:S，根据他们目前的状况。

编辑：

这就像一棵行为树，但浓缩成了NPC返回的一些“国家”。行为树允许行为具有更大的灵活性，但也需要更多的数据来加权概率(一个聪明的方法是使用标记，正如scriptin在他的回答中所建议的)。当您使用状态时，您将为状态中的这些操作确定一组操作和概率。要实际改变当前动作，可能会有80%左右的偏差来保持相同的动作，如果要改变动作，则使用不同的概率来选择新的动作。

在您的例子中，状态可以(稍微简化一点)：

• 困倦:睡眠80%，坐姿15%，步行5%
• 愤怒:咆哮(猫吼吗？) 40%，嘶嘶40%，跑20%
• 饥饿:吃40%，狩猎40%，跑10%
• Playfull:玩60%，跑20%，跳10%
• 疤痕:藏50%，跑50%

每个州都有不同的改变状态的概率，例如愤怒或伤痕累累的状态可能不会持续很长时间。不同的州对什么是合法的也可能有不同的规则(从“困倦”改为“嬉戏”可能是非法的，但猫似乎并不在乎这一点)。不同的事件会触发状态发生变化。

有一个看通过搜索FSM和AI网络，你可以看到它是如何工作的。解释它似乎很复杂，但它真的很简单。

您可以使用标记：

• 可能有“躺”、“坐”、“站”、“走”和“跑”等运动标记。然后，您可以消除不现实的标签组合，例如“放置”“->”运行“(中间必须有”站立“)。
• 其他标签可以描述活动：“睡眠”、“进食”、“狩猎”等。同样，“睡眠”“->”狩猎没有中间状态是不可能的。
• 因为像“站立”这样的动画是过渡性的，所以在每个动画的开头和结尾都有单独的标记可能是个好主意。例如，“站立”可能是从“坐”到“停留”的过渡，等等。

因此，对于每个动画，您可以有几个标记：

• 描述初始和最终位置/运动的
• 至少有一个描述一个活动。此外，由于活动也有转换，所以这里也可能有初始标记和最终标记。

有了这些，您只能通过设置诸如"A->B只有当final_movement_tag(A) == initial_movement_tag(B)才可能“这样的限制来筛选可能的组合，这将导致更少的数量。有了这些可能的组合，你就可以做你所描述的--增加概率。添加概率可能基于活动标记，因为停留在同一个活动中比更改活动更有可能。

因此，使用标记，您可以自动创建FSM/行为树中的所有转换，如果您对某些组合不满意，可以稍后对它们进行优化。