Thema: game-ai
-
Flow Fields: ein gemeinsames Ziel nutzen, ohne einen starren Pfad zu teilen
Wiederverwendbare Cost-to-go- und Richtungsfelder für Menschenmengen aufbauen, die Semantik gewichteter Kanten erhalten und zwischengespeicherte Felder ungültig machen, wenn sich ihre Bewegungsannahmen ändern.
-
Utility AI: Aktions-Scores vergleichbar machen und Entscheidungen stabilisieren
Zulässigkeit und Präferenz von Aktionen trennen, Antwortkurven und Score-Kombinationen prüfen und mit expliziten Wechselregeln unentschlossenes Verhalten verhindern.
-
GOAP: Aktionsfolge per Suche ermitteln und ihre Ausführung validieren
Ziele und Aktionen explizit modellieren, hypothetische Effekte von der realen Welt getrennt halten und neu planen, sobald eine gültige Abfolge nicht mehr umsetzbar ist.
-
Wahrnehmung und Gedächtnis in der Spiele-KI ohne allwissende Agenten
Sinnesereignisse werden in altersabhängige Annahmen und ausdrückliche Handlungsbedingungen überführt. Letzte Beobachtungen bleiben dabei vom verborgenen, aktuellen Zustand der Spielwelt getrennt.
-
Navigation Meshes, Pfadkorridore und lokale Kollisionsvermeidung
Routenplanung, Platzbedarf, lokale Steuerung und physische Bewegung sollten getrennt behandelt werden, damit Agenten enge Durchgänge bewältigen und auf sich ändernde Hindernisse stimmig reagieren.
-
Behavior Trees und Zustandsautomaten: Auswahl, Übergänge und Unterbrechung
KI-Steuerstrukturen sind nach ihrer Entscheidungs- und Unterbrechungssemantik zu wählen. Danach erhalten Aufgaben explizit geregelte Zuständigkeit, Abschluss und Abbruch.
-
A*-Heuristiken: die Bedeutung der Bewegungskosten erhalten
Für den tatsächlichen Bewegungsgraphen eine Heuristik mit unterer Schranke wählen, verbesserte Routen korrekt behandeln und die Pfadqualität gegen eine uninformierte Suche prüfen.
Maschinenlesbar: JSON