Алгоритмы прохождения препятствий врагами в играх 3д и 2д кратко

прохождение препятствий врагами и неигровыми персоонажами(обход, перепрыгивание, запрыгивание, ползание и т. д.) может быть реализовано с помощью различных алгоритмов и подходов, в зависимости от сложности ИИ и среды. Вот основные алгоритмы и методы, используемые для прохождения препятствий:

1. FSM (Finite State Machine) — конечный автомат

Каждое состояние описывает поведение (например, "идти", "прыгать", "стоять", "падать"). При обнаружении препятствия — переход в соответствующее состояние:

• Идти → препятствие → Прыжок

• Прыжок → достижение платформы → Идти

Простой, хорошо работает для патрулирующих врагов и NPC.

2. Raycasting / Сканирование среды для поиска пути перемещения в 2D платформарах

Сканирование пространства лучами вниз, вперед и вверх позволяет:

• определять обрывы (если нет земли под ногами);

• видеть стены перед собой;

• понимать, можно ли перепрыгнуть.затем используются простые Физические проверки + условия

Подходит для простых ИИ:

if (isGroundAhead() && !isWallAhead()) 
{ 
  moveRight(); 
}
   else 
      if (isWallAhead() && canJump())
      {
          jump(); 
      } 

Используется в Unity, Godot, Phaser и других движках.

3. A* (A-star) — поиск пути

Применим для более сложных уровней, где нужно добраться до цели, обойдя препятствия:

• Мир делится на сетку (в 2D — тайловая карта);

• A* находит кратчайший путь;

• Спрайт двигается по найденным координатам.

Требует настройки "стоимости" тайлов: можно ли прыгнуть туда, какой длины прыжок и т. д.

4. Navigation Mesh / Графы достижимости

• Применяется в случае, если A* не подходит.

• Пространство разбивается на платформы и связки между ними (можно ли прыгнуть с одной на другую).

• Персонаж выбирает оптимальный маршрут по вершинам графа.

5. Behavior Trees (BT)

• Структурированная форма ИИ-поведения.

• Можно задать: "Если препятствие — прыгни", "Если враг — атакуй", и т. д.

• Очень гибкая система, часто используется в больших проектах.

7. Machine Learning / Обучение с подкреплением для прохождения пути

Для продвинутых ИИ:

• ИИ обучается самостоятельно преодолевать препятствия;

• Используется в экспериментах (например, в OpenAI Gym);

• Непрактично для простых игр— дорогая разработка и нестабильное поведение.

пример

Для прохождения пути в игре с помощью обучения с подкреплением (Reinforcement Learning, RL), можно представить процесс в виде последовательных этапов, которые повторяются в цикле. Вот как бы это выглядело пошагово:

Цикл работы RL-агента

1. Инициализация:

   • Агент стартует с начальным состоянием.

   • Начальные значения Q-функции (или политика) случайны или нулевые.

2. Получение текущего состояния среды:

   • Например: "Я стою перед ямой", или "Передо мной враг".

3. Выбор действия:

   • Используется стратегия (например, ε-жадная): агент выбирает либо лучшее известное действие, либо случайное для исследования.

   • Например: "Прыгнуть", "Атаковать", "Пойти вправо".

4. Выполнение действия и переход:

   • Агент действует в среде.

   • Среда обновляется: новое положение, новая ситуация.

5. Получение награды:

   • Агент получает обратную связь:

     • +1 за успешный прыжок,

     • –1 за падение в яму,

     • +10 за достижение цели.

6. Обновление стратегии (обучение):

   • Q-функция или нейросеть корректируется с учетом нового опыта.

   • Агент "учится", чтобы в будущем действовать лучше.

7. Переход в новое состояние и повтор:

   • Агент теперь находится в новом состоянии, и цикл начинается заново.

Дополнительно:

Вау!! 😲 Ты еще не читал? Это зря!

• навигационная сетка , navmesh , navigation mesh ,
• a* , а-стар , поиск пути ,
• кратчайший путь , алгоритмы поиска кратчайшего пути , поиск пути ,
• алгоритм дейкстры , минимальное основное дерево ,