【Unity】十万人同屏寻路？从传统RVO到DOTS Jobs的性能跃迁之路
1. 从千人同屏到十万人的技术挑战
在游戏开发中，实现大规模角色同屏一直是性能优化的终极挑战之一。记得我第一次尝试实现千人同屏时，即使使用了当时最先进的多线程RVO算法，在i7处理器上也只能勉强维持30帧。当角色数量突破5000时，帧率直接跌到个位数，GC（垃圾回收）导致的卡顿让游戏体验变得极其糟糕。
传统RVO（Reciprocal Velocity Obstacles）算法的瓶颈主要体现在三个方面：
- GC压力：每帧需要为每个角色创建临时数据结构
- 线程同步开销：多线程间数据交换导致的等待
- 计算复杂度：O(n²)的时间复杂度让性能随角色数量指数级下降
实测数据显示，在Unity 2021版本中使用传统多线程方案：
- 1000个角色：稳定60FPS
- 5000个角色：约15-20FPS
- 10000个角色：直接卡顿到无法操作
2. DOTS技术栈的革命性突破
Unity的DOTS（Data-Oriented Technology Stack）技术栈为我们带来了全新的解决方案。其核心在于三个关键技术：
2.1 Jobs System并行计算框架
通过将RVO算法改写成Job形式，我们实现了真正的数据并行。比如将传统的Agent更新逻辑改造成这样的结构：
[BurstCompile] struct RVOUpdateJob : IJobParallelFor { [ReadOnly] public NativeArray<AgentData> inputAgents; [WriteOnly] public NativeArray<Velocity> outputVelocities; public void Execute(int index) { // 每个Agent独立计算避障逻辑 var newVel = CalculateRVO(inputAgents, index); outputVelocities[index] = newVel; } }2.2 Burst编译器性能魔法
Burst编译器能将C#代码编译成高度优化的原生代码。在我们的测试中，同样的RVO算法经过Burst编译后：
- 计算速度提升8-10倍
- 完全避免了托管堆内存分配
- 自动向量化指令集优化
2.3 Entity Component System数据布局
ECS通过紧凑的内存布局消除了缓存未命中问题。我们对比了两种数据存储方式：
| 存储方式 | 10000角色内存占用 | 平均访问延迟 |
|---|---|---|
| 传统OOP | 约48MB | 120-150ns |
| ECS | 约12MB | 30-50ns |
3. 实战：RVO到RVO2的改造之路
3.1 数据结构的并行化改造
传统RVO中的Agent类需要彻底重构。我们将其拆分为：
- 位置数据：float3数组
- 速度数据：float3数组
- 参数数据：半径、最大速度等打包成结构体数组
struct AgentData { public float radius; public float maxSpeed; public float priority; }3.2 NativeContainer使用技巧
正确使用NativeArray和NativeHashMap是关键。我们总结了这些经验：
- 优先使用Allocator.Persistent长期存在的数据
- 临时数据使用Allocator.TempJob
- 避免在Job中频繁分配内存
一个常见的坑是忘记Dispose NativeContainer，我们开发了自动回收工具类：
public class NativeArrayAutoDispose<T> : IDisposable where T : struct { public NativeArray<T> Array { get; } public NativeArrayAutoDispose(int length) { Array = new NativeArray<T>(length, Allocator.Persistent); } public void Dispose() { if(Array.IsCreated) Array.Dispose(); } }3.3 避障算法优化
原始的ORCA算法有大量可以并行化的部分。我们通过以下改造获得5倍性能提升：
- 将KDTree构建改为并行算法
- 使用SIMD指令优化向量计算
- 提前剔除距离过远的Agent
4. 与渲染系统的完美配合
4.1 Batch Renderer Group集成
通过BRG实现十万人渲染的关键配置：
var brg = new BatchRendererGroup( OnPerformCulling, IntPtr.Zero); var batchID = brg.AddBatch( mesh, 0, material, 0, ShadowCastingMode.On, true, false);4.2 GPU Instancing优化
我们开发了特殊的Shader来处理大规模实例：
StructuredBuffer<float3> _Positions; StructuredBuffer<float4> _Rotations; v2f vert(uint instanceID : SV_InstanceID) { float3 pos = _Positions[instanceID]; float4 rot = _Rotations[instanceID]; // 实例化变换计算... }5. 性能对比实测数据
在不同硬件平台上的测试结果：
| 平台 | 传统RVO(角色数) | DOTS方案(角色数) | 提升倍数 |
|---|---|---|---|
| PC(i7) | 5,000 | 100,000 | 20x |
| 高端手机 | 500 | 20,000 | 40x |
| 中端手机 | 300 | 10,000 | 33x |
特别在GC表现上：
- 传统方案：每帧产生约40MB垃圾
- DOTS方案：零GC分配
6. 避坑指南与优化建议
在实际项目中我们总结了这些经验：
- 避免Job依赖死锁：使用JobHandle.CombineDependencies管理复杂依赖
- Burst兼容性：注意避免使用反射等Burst不支持的特性
- 内存对齐：确保NativeArray数据64字节对齐以获得最佳SIMD性能
- 调试技巧：使用Unity的Job Debugger工具分析Job执行情况
一个典型的优化案例：通过调整Job的batchSize参数，我们在骁龙8Gen2上获得了额外30%的性能提升。
7. 未来优化方向
虽然当前方案已经实现十万人同屏，但我们还在探索：
- 基于DOTS的LOD系统
- 混合精度计算（半精度浮点数）
- 异步计算着色器辅助
最近测试显示，使用FP16精度可以将移动端的性能再提升15-20%，这可能是下一个性能突破点。