Unity3D下用JaveScript写 NavMesh

本文介绍了如何在Unity3D中使用JavaScript实现NavMesh,特别针对网络游戏环境。主要内容包括地形网格的三角化、A*寻路算法的基本原理,以及NavMesh与A*算法在寻径上的区别。在实现过程中,需要注意JavaScript与C++/C#在处理引用和指针上的差异。
摘要由CSDN通过智能技术生成
最近在做的项目中要加入NavMesh,实现AI的寻路,如果使用unity 3.5自带的navmesh,好像单机的还可以使用,

网络游戏就有点麻烦了,一是不好操纵navmesh,只能填好参数,做修改或者函数调用就不可能了,二是没有节点数据

服务器没有这个数据,不好发送给客户端。所以网络游戏下的navmesh自己实现还是比较有价值。

以下说明下步骤:

地形网格须为三角形,所以要对网格三角形化,也就是Delauney Triangulate三角化

然后就是用A*寻路,中间很多例如3-2合并,裁剪就不写了,可以参考其他文章




1.1 等待插入点

                 

     Triangular mesh 为已有三角化mesh,+为需要插入的点,要保证插入点后仍为Triangular mesh

1.2  判断是否在相邻三角形的外接圆内

      
                    

         


     插入点所在三角形和它的邻接三角形计算外接圆,如果点在外接圆内,则此点连接到三角形各点,原三角形删除


2. 具体算法:

输入:vertex list

输出:triangle list

  初始化triangle list

  确定超三角形(超三角形为所有顶点的更外层的包围三角形)

  加入超三角形顶点到vertes list

  加入超三角形到triangle list

  for (sameplePoint in vertexList)

    初始化edge buffer

    for (triangle in triangleList)

      计算triangle外接圆中心和半径

      if (point 在triangle外接圆内)

        加入三个triangle edges到edge buffer

        从triangleList删除这个triangle

    在edge buffer删除所有双向边,这样做是只剩下封闭多边形的边,且保持方向一致

    在点与封闭多边形的边之间生成的所有三角形加入到triangleList

  在triangle list里删除任何使用到超三角形顶点的三角形

  从vertexList里删除超三角形顶点


    和其中的C source代码,描述的最简单直接)


3. A* 算法


navmesh里仍然使用A*算法来计算最短路径,只是采样点大为下降,此处先介绍最基本A*算法

然后介绍navmesh里与基本A*算法有何不同

3.1 基本A*

  在一个九方格(中间点为开始点),中间竖形障碍物,右边目标点的 场景下,开始点如何越过障碍到达终点?

     首先计算startPos到各邻接方格中心的距离G

     再计算各邻接方格中心到targetPos的距离H

  2者相加为实际路径长度F  

  

从startPos到targetPos的直接路径被障碍物挡住,不可行走,那么只能走一步看一步

先选择startPost周围9个邻接方格,取F值最小者,当然是右边那个方格,

然后以右边方格为起点再往右走发现为障碍物,不可走,那么以它为中心的9个邻接方格

选择右下角方格(它的F值最小),这其中要计算连接关系,就是这个方格是从哪个方格过来的

会有个父方格属性。

        如何寻找下一个要求的方格,是从当前点邻接方格和所有已访问点的邻接方格中提取的(openList)通过从这个list中寻找最小F,还要更新G值,更新G值也就是从父方格到此方格
累加的长度,如果比之前的G值更小,则更新父方格和G值。
  
  

这样到最后会有个方格连接路线,从startPos到targetPos,这样就计算出最短路径了。

  


4. navmesh与A*有什么不同


A* 你可以理解为方格的寻径,而navmesh你可以理解为三角形的寻径

G值为从第一个triangle中心点到第二格triangle中心点途径邻接边中点的路径长度

F值仍为到targetPost的长度,其他算法依旧

但最后需要路径平滑,不然路径歪歪扭扭

  

具体算法在:"Simplified 3D Movement and Pathfinding Using Navigation Meshes" by Greg Snook (Game Programming Gems)

最后用javescript要注意与C++/C#的区别,引用和指针是没有的,传引用参数用new 的对象传递
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值