（本视频转载自YouTube：视频原址）
本质上，这是一个充满劲爆的屠杀和时间膨胀的动作策略游戏（像是实时策略的战术游戏，但具备了动作游戏的刺激）。通过进入命令模式，你可以实时向你的载具发送命令，将动作速度大幅减慢，然后选择你想要执行的操作。然后，当你退出命令模式时，这些动作会呈现出爆炸性的壮观景象。在本文中，我将深入探讨我们如何使用虚幻引擎4开发出一个简洁的解决方案，从而创建了强悍的AI对手。
在时速200公里下进行决策……
《黑暗未来》的AI必须解决一系列有趣的挑战：
- 首先，它需要让车辆能够在一段通常全是碎片、其他车辆、急转弯、沟壑等的高速公路上行驶。
- 然后它必须高速地躲避障碍物（我们指的是高时速……例如在时速200公里（124英里）时！）。
- 做到这两项的同时，它还要使用车载机枪、火箭炮、地雷等，与玩家控制的车辆进行战斗。
- 最后，它必须做到以上所有这些内容，同时又具有足够的可预测性，让玩家能够针对它们制定策略，保证玩家不会感到无聊或重复。
诚然，这是一个令人望而生畏的期望！
但是在着手解决这些问题之前，它们必须会开车。《黑暗未来》使用了虚幻引擎4中车辆模拟代码的修正版本，该代码是从PhysX车辆模拟中实现的，因此车辆驾驶模型的细节非常丰富。
当然，这不是AI，所以我在这里不再赘述，但我只说这一句就够了——我们的车辆像真正的车辆那样运行——它们有油门、方向盘等等。
所以，车辆能够被驾驶。这很棒，“如何做到”也很简单：油门是一个从-1到+1的值，方向盘也是如此。就这样。
控制装备激光炮的高速车辆的经验教训
一旦我们考虑到这些问题，就会清醒地认识到，UE4中AI的内置寻路网格体功能不适用于我们的载具。它对于可以当场启动的角色来说绰绰有余，但是将该系统延伸到车辆上的效果并不理想。我们需要一些功能来帮助驾驶行为的正确运行。
虽然驾驶行为足以应付大量低细节度的实体，但是如果你要集中精力驾驶一些较大的Actor在环境中寻路，你就会看到这是多么的诡异。如果你没能感觉到异样，那可能是因为代码长度有数千行，具备许多紧密相连的行为，它们相互必须直接交流，从而为行为所达成的决策制定情境。
我们当时的首席程序员Abhishek Sagi，在Game AI Pro 2的一章中找到了解决方案，该章节名为 “Context Steering: Behavior-Driven Steering at the Macro Scale”，作者是Andrew Fray，他出色地描绘了他的团队为一款3A赛车游戏找到的解决方案。
我不会详细介绍情境驾驶（因为你可以——也应该——进行阅读，此处是他的博客全文），只是简单地解释一下……情境驾驶原则上类似于驾驶行为的实现，凭借对许多孤立的行为进行计算，然后将计算结果进行组合。在情境驾驶系统中，并不是每个行为都达成了自己的决策，并生成了结果，而是为它们本应做出的决策提供情境，这样系统就有了更多的信息来做出最终决策。
充分利用多线程
所以我们开始制作能够实现我们所称的情境行为系统（CBS）的原型。因此，我们使用“载具高级”模板启动了一个新项目，用一些障碍物拼凑了我们自己的地图，并给车辆设置了油门。
然后我们用一张蓝图写了一个快速而粗略的CBS。这张蓝图最终变得无比巨大——甚至无法进行截图。在下图中，我们的原型车正试图沿着样条曲线行驶，同时追逐着远处的目标，并同时避开障碍物。
太棒了！现在我们的车辆可以驾驶了，我们将原型蓝图从测试项目中提取出来，并将其导入《黑暗未来》，然后将其连接到车辆上，一切都非常顺利！
正如你可能想象到的，这个过程的成本非常高昂。现实地说，如果不把系统效率降低到使整个事情毫无意义的程度，我们负担不起让四辆以上的车辆同时在我们的关卡中使用CBS。这行不通。
然而，我们有一个解决办法。情境驾驶非常适合多线程化，因为它的本质是具有一些小的、孤立的行为，这些行为有为了提供情境所需的设定数据量。因此，通过使用UE4的多线程API，我们编写了一个解决方案，其中每辆载具的数据集可以在游戏线程上生成，然后被卸至一个工作线程上，工作线程将运行这些行为中的数据，处理它们返回的情境，计算最终驾驶结果并传回至这个载具。
现在，在关卡中，我们可以轻松容纳20辆甚至30辆汽车，它们都运行着和以前完全一样的代码，但是来自CBS的成本可以忽略不计。自然，同时拥有30辆细节丰富、完全模拟的载具的其他成本仍然高得令人望而却步，更别提在30辆敌方车辆横行的情况下玩游戏有多么困难了，但有时原则最重要！
使用CBS导航行为树
经过数周难以置信、极富挑战的工作，我们的AI有能力……向左或向右转弯了。这太棒了！
现在它需要弄清楚它可能想要去哪里，可能想要追逐谁，导航至哪条路，向谁射击，何时射击，等等。为此，我们采用了UE4的行为树系统。
行为树是一种广泛使用的帮助AI在驾驶中制定决策的方法。尽管我们不会使用灵巧的内置功能进行导航，行为树系统仍然拥有我们需要的一切，甚至更多！
此时，我们在CBS中有三种行为：
- 规避，它会对环境进行追踪，从而发现应该规避的物体
- 追逐，它想开向给定的一个地点。
- 道路跟随，那个……不用说你也知道的。
我编写了许多自定义蓝图任务来让AI执行，我很快就能在许多事情上利用CBS。
当处于非战斗状态时，我们停用追逐，将理想的路线输入目标道路，进行道路跟随，并通过增加规避的轨迹长度，允许AI“谨慎”地对待障碍物。当处于战斗状态时，我们只需激活追逐行为，并向它输入目标车辆的位置，然后进入相应的逻辑，让它在合适的时机展开射击。
我们还决定使用环境查询系统，或称EQS，这是一种查询游戏环境并根据结果运行一组测试的简洁方式。通常情况下，它会与导航系统一起使用，你可以在其中查询一组导航点，并对它们的距离和视线等进行测试。在我们的游戏中，我们编写了一个自定义查询生成器，它会寻找给定团队中的载具（玩家、敌对AI、平民AI等），并根据接近度和方向对结果进行评分。
可以运行EQS查询来查找单个结果，或者返回所有结果，因此该查询可以同时用于简单的敌人探测和理想目标的选择。更简洁的是，EQS查询是时间分段的——它们的运行跨越了好几帧——因此你可以在不对性能造成大量影响的条件下，运行多个相对复杂的查询，只要你不需要立即获得结果。
教会AI所有关于编队的知识
现在我们的AI可以驾驶和战斗了，很明显AI还需要协调。当游戏任务要求对车队进行协同攻击时，每辆车仅仅独自漫游并享受美好时光是不足以应付这个要求的。为了解决这个问题，我们需要一个分层化的方法，让驾驶员AI来处理繁忙的驾驶和射击任务，并让控制多个驾驶员的群组AI告诉它们前往何处以及向谁射击。
这涉及到几个关键的变化——不是让驾驶员AI定位并与自己的目标交火，而是让它们把已经找到目标的消息通知给自己的群组AI。这个群组会保存一份所有已知目标的列表，并可以对目标进行优先排序，以及将目标分配回驾驶员。在标准情形中，这可能看起来像是驾驶员自己做出的决定，但是有了群组，让我们的设计人员能够在任何给定时间，限制与单一目标交火的驾驶员数量，并覆盖其他交火，优先攻击特定的目标。
它还支持编队驾驶。群组会指定特定的车辆为领头车辆，其他车辆为跟随车辆，给它们提供理想的时钟朝向（5点方向，7点方向）和距离。然后，其他驾驶员会在它们的行为树上运行一个自定义的服务节点（服务节点本质上是以自定义的时间频率运行的函数，并且只有当树上它们所在分支中的一个任务正在执行时，它才会执行），它会计算出理想的位置并将其反馈至CBS中的追踪行为。
这个特性为游戏环境中的许多巨大变化打开了大门。编队有利于保持几辆车的共同行驶，当然，它们很容易扩展成敌对编队，而且因为它们的定义很容易，所以我们能够根据队伍中的车辆类型和它们所装备的武器类型，建立大量预设编队以供使用。举个例子——如果队伍中有一辆尾部装甲很强的载具，它有一个安装在炮塔上的武器，另外还有一辆有强大撞击武器的载具，那么它可能会尝试采取一种“带路然后跟随”的队形，装甲厚的车辆在前面行驶，诱惑玩家攻击，而撞击载具从后面撞击玩家的车辆。
这张图中，你可以看到，两辆由AI控制的载具（左边、底部）试图在玩家的载具周围组成编队，而第三辆屏幕未显示的载具正在后方尾随。
《黑暗未来》的创建带来了一些独特的挑战和问题，但与UE4的合作帮助我们度过了最糟糕的时期，我们最终获得了一款引以为豪的游戏。
如果你想一睹游戏风采，可以看看我们的新预告片。《黑暗未来：血腥王国》已于5月16日（星期四）发布，你可以在我们的Steam页面上找到更多细节。