1. 项目概述：从静态场景到动态对抗

在游戏开发中，一个只会站在原地或沿着固定路径移动的NPC，很快就会让玩家感到乏味。真正的沉浸感，往往来自于能与玩家产生动态交互的智能角色。这正是“智能AI巡逻与玩家追踪”这个经典课题的核心价值。它不仅仅是让角色动起来，更是赋予其基础的“感知-决策-行动”能力，是构建开放世界、潜行游戏、塔防游戏乃至RPG中敌对生物的基础模块。

这个项目，我们将完全在虚幻引擎4（UE4）的蓝图可视化脚本系统中实现。选择蓝图，是因为它屏蔽了C++的语法复杂性，让开发者能更直观地关注游戏逻辑的流转，特别适合快速原型验证、独立开发者或专注于游戏设计的设计师。整个系统的核心在于行为树（Behavior Tree）与黑板（Blackboard）的协同工作。你可以把行为树想象成AI的“大脑决策流程图”，它定义了AI在什么条件下该做什么事（比如“看到玩家就追击，没看到就巡逻”）；而黑板则是这个大脑的“便签本”，用于在不同任务节点间传递和共享关键信息（比如“玩家当前位置在哪里”）。

我们将从零开始，搭建一个具备以下能力的AI角色：

1. 基础巡逻：在预设的多个路径点之间循环移动，并在每个点短暂停留、观察环境。
2. 视觉感知：通过一个锥形的视野范围（Field of View）检测玩家是否进入视线。
3. 智能追踪：一旦发现玩家，立即中断巡逻，高速向玩家最后出现的位置移动。
4. 丢失处理：如果追踪过程中失去玩家视野，AI会前往玩家最后已知位置进行搜寻，一段时间后若仍无发现，则冷静地返回巡逻路线。
5. 状态反馈：通过角色身上的材质变化或UI提示，清晰地向玩家展示AI当前的状态（悠闲、警戒、追击）。

通过实现这套系统，你不仅能掌握UE4 AI编程的核心方法论，更能理解如何将游戏设计意图（如难度、节奏）转化为具体的、可运行的AI行为逻辑。

2. 核心系统解析：行为树与黑板的协同哲学

在深入实操之前，我们必须先吃透行为树和黑板这两个核心工具的设计哲学。很多新手会混淆行为树和蓝图，或者把行为树当成一个复杂的顺序脚本。理解它们的关系和各自职责，是避免后续开发陷入混乱的关键。

2.1 行为树：模块化的决策流

行为树是一种用于控制AI决策流程的树状数据结构。它的强大之处在于其模块化和可中断性。

• 节点类型：行为树主要由三种节点构成。

  • 复合节点（Composite）：控制子节点的执行流程。最常用的是序列（Sequence）和选择器（Selector）。Sequence会按顺序执行其所有子节点，只有当所有子节点都成功，它才返回成功；若任何一个子节点失败，则中断后续执行并返回失败。Selector则会按顺序执行其子节点，直到有一个子节点成功，则返回成功；如果所有子节点都失败，则返回失败。这完美对应了“完成一系列动作”和“从多个选项中选择一个执行”的逻辑。
  • 任务节点（Task）：执行具体动作的叶子节点，比如“移动到某点”、“等待一段时间”、“播放动画”。这是我们编写具体蓝图逻辑的地方。
  • 装饰器（Decorator）：附加在节点上的条件判断器，可以控制其父节点或兄弟节点能否执行。例如，“只有当黑板键值HasLineOfSight为真时，才执行这个追击任务”。

• 执行流与中断：行为树每帧（或按一定频率）从根节点开始“滴答”执行。装饰器会先被检查。任务节点执行后会返回“成功”、“失败”或“正在运行”。一个关键特性是可中断性：低优先级的任务（如巡逻）可以被高优先级的任务（如追击）中断，当高优先级任务完成后，行为树可以决定是返回低优先级任务，还是重新开始。这是我们实现“中断巡逻去追击”的基础。

2.2 黑板：AI的共享记忆库

黑板是一个简单的键值对存储系统，专为行为树设计。它解决了不同任务节点间数据传递的问题。

• 黑板键（Blackboard Key）：你可以定义各种类型的键，如Object（引用一个对象）、Vector（存储一个位置）、Bool（真假值）等。例如，我们可以定义TargetActor（Object类型）来存储玩家引用，TargetLocation（Vector类型）来存储玩家最后已知位置，HasDetectedPlayer（Bool类型）来表示是否发现了玩家。
• 数据驱动决策：行为树中的装饰器和任务节点，其执行条件往往依赖于黑板键的值。例如，一个“移动到玩家”的任务，其目标位置就是从黑板键TargetLocation中读取的。一个选择器（Selector）可能有两个分支：一个分支的装饰器条件是HasDetectedPlayer == true（执行追击任务），另一个分支的条件是HasDetectedPlayer == false（执行巡逻任务）。

两者的关系：蓝图是实现具体行为的工具（比如“移动”这个动作如何用引擎的导航系统完成），而行为树是组织这些行为执行顺序和条件的工具。黑板则是连接行为树中各个独立节点的“胶水”。一个常见的误区是试图在行为树任务节点里写非常复杂的、包含大量状态判断的逻辑，这违背了行为树“模块化”的初衷。正确的做法是，将状态判断提炼成黑板键，通过装饰器来控制简单的任务节点的执行。

注意：不要试图用行为树处理所有AI逻辑。复杂的计算、数值评估（如血量判断、距离计算）更适合在AI控制器的蓝图或专门的AI感知组件中完成，然后将结果写入黑板，供行为树这个“决策层”使用。

3. 实战搭建：从角色到行为的完整链路

现在，我们开始动手搭建。请确保你有一个空的或基本的UE4第三人称模板项目。

3.1 创建AI角色与控制器

1. 创建AI角色蓝图：在内容浏览器中右键，选择“蓝图类”，在“所有类”中搜索Character，创建一个新的蓝图，命名为BP_AI_Guard。这个蓝图将代表我们的AI实体，包含骨骼网格体、碰撞体等。
2. 创建AI控制器蓝图：同样方式，搜索AIController，创建蓝图并命名为BP_AI_Guard_Controller。AI控制器是AI的“大脑容器”，行为树组件将挂载在这里。
3. 关联控制器：打开BP_AI_Guard，在“细节”面板的“Pawn”分类下，将“AI控制器类”设置为BP_AI_Guard_Controller。这样，当这个AI角色生成时，就会自动使用我们自定义的控制器。
4. 配置导航网格体边界体积：在场景中拖入一个NavMeshBoundsVolume（可在“体积”中找到），并缩放其大小以覆盖你希望AI能够行走的区域。然后点击编辑器上方的“构建”按钮（或按F5）来生成导航网格。这是AI进行路径查找的基础，没有它，Move To任务将无法工作。

3.2 构建黑板与行为树资产

1. 创建黑板：在内容浏览器右键，选择“人工智能” -> “黑板”，命名为BB_Guard。打开它，点击“新建密钥”，我们创建以下几个关键键值：
   • HomeLocation(Vector)：AI的“家”或初始位置，用于丢失目标后返回。
   • NextPatrolPoint(Vector)：下一个要前往的巡逻点位置。
   • TargetActor(Object，基类设为Actor)：检测到的玩家或其他目标引用。
   • TargetLocation(Vector)：目标最后已知位置。
   • HasDetectedPlayer(Bool)：是否已发现玩家。
   • IsInvestigating(Bool)：是否正在调查（前往最后已知位置）。
2. 创建行为树：同样在“人工智能”分类下，创建“行为树”，命名为BT_Guard。打开行为树编辑器，首先需要在“细节”面板中将“黑板资产”指向刚刚创建的BB_Guard。

3.3 设计行为树逻辑结构

这是最核心的步骤。我们设计一个以选择器（Selector）为根节点的树，它根据优先级从高到低检查并执行子分支。

1. 根节点：从右侧面板拖出一个Selector节点作为根节点。
2. 第一优先级：追击与调查分支。在Selector下添加一个Sequence节点。在这个Sequence上附加一个Blackboard装饰器，设置其“观察者中止”为Both（这是实现任务中断的关键），并设置条件为HasDetectedPlayer为true。这个Sequence内部逻辑是：发现玩家后，先设置目标位置，然后移动过去。
   • 子任务1：Set Blackboard Value任务。设置TargetLocation的值为TargetActor的位置（这里需要一点蓝图逻辑，我们稍后会在任务蓝图里实现）。
   • 子任务2：Move To任务。设置“黑板键”为TargetLocation。可以在这里调整接受半径、是否允许路径偏移等参数。
3. 第二优先级：巡逻分支。在根Selector下添加另一个Sequence节点（与第一个分支平级）。它的逻辑是循环执行“移动到下一个巡逻点 -> 等待”。
   • 首先需要一个Set Next Patrol Point自定义任务（需要自己创建蓝图任务节点）来从预设的巡逻点数组中计算下一个目标点，并写入NextPatrolPoint黑板键。
   • 然后是Move To任务，目标指向NextPatrolPoint。
   • 最后是一个Wait任务，让AI在点位上停留2-3秒，模拟观察。
   • 为了让这个序列循环，我们需要在整个这个巡逻Sequence上附加一个Loop装饰器。

这个结构确保了：只要HasDetectedPlayer为真，行为树就会一直尝试执行追击分支（即使Move To任务正在“进行中”），巡逻分支会被完全忽略。当玩家消失，HasDetectedPlayer被设为假，追击分支的装饰器条件失败，根选择器就会转而执行第二个分支，即巡逻。此时，巡逻分支会从上次中断的地方（可能是某个Wait任务中）重新开始或被重置，取决于装饰器的具体配置。

3.4 实现自定义任务与感知

行为树自带的任务节点有限，复杂逻辑需要我们创建自定义任务蓝图。

1. 创建“设置下一个巡逻点”任务：

   • 在内容浏览器右键，“蓝图类”，然后搜索BTTask_BlueprintBase，创建一个新任务蓝图，命名为BTTask_FindNextPatrolPoint。
   • 打开它，在事件图表中，我们需要重写Receive Execute事件。这个事件的逻辑是：获取AI控制器，进而获取其控制的Pawn（即我们的AI角色）。然后从一个定义在AI控制器或角色身上的“巡逻点数组”变量中，找出下一个点（可以通过索引循环），并将这个点的位置（一个Vector）通过Set Blackboard Value as Vector节点写入到之前定义的NextPatrolPoint黑板键中。最后，调用Finish Execute并输出Success。

2. 配置AI感知组件：

   • 打开BP_AI_Guard_Controller。
   • 在组件面板添加AIPerception组件。这是UE4提供的强大感知系统。
   • 选中AIPerception组件，在细节面板点击“添加感官配置”，选择AI Sight。这将为AI添加视觉感知。
   • 配置视觉参数：Sight Radius（视野半径）、Lose Sight Radius（丢失视野半径，通常大于等于前者）、Peripheral Vision Half Angle Degrees（周边视野半角，这决定了视野锥形的宽度）。
   • 关键一步：在AIPerception组件的“On Target Perception Updated”事件上添加一个自定义事件。这个事件会在感知到任何Actor（符合感知过滤器设置）时触发。我们可以在这里判断感知到的Actor是否是玩家（通过标签或类判断），如果是，则将其引用和位置信息写入黑板（TargetActor,TargetLocation），并将HasDetectedPlayer设为true。同时，当玩家走出视野，该事件也会被调用，并传递一个“成功感知”为false的参数，此时我们可以将HasDetectedPlayer设为false，并将TargetLocation更新为最后一次看到的位置，以触发调查行为。

3. 组装并运行：

   • 在BP_AI_Guard_Controller的“事件开始运行”时，使用Run Behavior Tree节点，指定行为树资产为BT_Guard。
   • 将BP_AI_Guard拖入场景，并在地面上放置几个Target Point（可在“放置Actor”面板搜索）作为巡逻点。在BP_AI_Guard或BP_AI_Guard_Controller中创建一个Target Point数组变量，并在关卡编辑器中将这些点赋值给该数组。
   • 运行游戏，控制玩家角色进入AI的视野锥形，观察AI是否中断巡逻并开始追击。

4. 行为树高级配置与状态精细化

基础功能跑通后，我们需要让AI的行为更真实、更可控。这涉及到行为树内部更精细的流程控制和状态管理。

4.1 使用装饰器与服务优化流程

• 装饰器（Decorator）的进阶使用：

  • Cooldown：用于给某个分支或任务添加冷却时间。例如，AI发现玩家后立即追击，但我们可以给“播放发现音效”这个子任务加一个冷却，避免短时间内重复播放。
  • Time Limit：限制某个任务的最大执行时间。比如“调查”行为，如果AI移动到玩家最后已知位置后等待了5秒仍无所获，则强制让该任务失败，从而触发行为树选择其他分支（如返回巡逻）。
  • Blackboard：这是最常用的。除了基础的布尔判断，还可以做比较。例如，可以设置一个装饰器，要求TargetActor与AI自身的距离小于某个值（Is Less Than）时，才执行“近战攻击”分支，否则执行“远程射击”或“保持距离”分支。

• 服务（Service）：这是行为树中常被忽略但极其有用的节点。服务节点附加在复合节点（如Sequence或Selector）上，只要其父节点处于运行状态，服务就会以你定义的间隔（Interval）重复执行。它不直接影响执行流，而是用来更新黑板数据。

  • 应用场景：在我们的追击分支上，可以附加一个服务，每隔0.1秒就检查一次TargetActor的位置，并实时更新TargetLocation黑板键。这样，Move To任务就能实现真正的动态追踪，而不是只朝最初发现的位置移动。
  • 创建自定义服务：类似于任务，你可以创建BTService_BlueprintBase蓝图。例如，创建一个BTService_UpdateTargetLocation服务，在其Receive Tick事件中，获取TargetActor并更新其位置到TargetLocation。

4.2 实现“调查”与“返回”状态

一个发现玩家后又丢失的AI，如果直接傻站着或瞬间回到巡逻状态，会显得很假。我们需要一个“调查（Investigating）”的中间状态。

1. 修改黑板与行为树结构：
   • 在黑板BB_Guard中，我们已经有了IsInvestigating（Bool）和TargetLocation（Vector）。
   • 修改行为树根Selector，在“追击”和“巡逻”之间插入第三个分支：“调查”分支。
2. “调查”分支逻辑：
   • 这是一个Sequence，其装饰器条件为：HasDetectedPlayer为false且IsInvestigating为true。这意味着玩家刚消失，AI进入调查模式。
   • 分支内第一个任务：Move To，目标为TargetLocation（即玩家最后消失的位置）。
   • 第二个任务：Wait，在目标点等待3-5秒，模拟四处张望。
   • 第三个任务：一个自定义任务Clear Investigation，它将IsInvestigating设为false，并可选地将TargetLocation重置为零向量或HomeLocation。
3. 触发调查状态：在AI控制器的AIPerception更新事件中，当“成功感知”从true变为false（即丢失玩家视野）时，除了设置HasDetectedPlayer为false，还要将IsInvestigating设置为true。这样，行为树就会立即切换到调查分支。
4. “返回”逻辑：调查结束后（IsInvestigating被设为false），行为树会继续向下选择。我们可以在巡逻分支前再加一个“返回起始点”分支。其条件可以是Distance装饰器，判断AI当前位置与HomeLocation的距离大于某个值。如果大于，则执行一个Move To任务返回HomeLocation，返回后再继续巡逻。这避免了AI在远离巡逻路线的位置直接开始巡逻的突兀感。

4.3 视觉与状态反馈

为了让玩家明确感知AI的状态，视觉反馈至关重要。

1. 材质参数控制：在AI角色的材质实例上，暴露一个标量参数，例如AlertLevel（0表示平静，1表示警戒，2表示追击）。在AI控制器中，根据当前的黑板键值（HasDetectedPlayer,IsInvestigating）来动态设置这个参数的值，并通过Set Material或Set Scalar Parameter Value on Materials节点传递给角色网格体。在材质中，可以用这个参数来混合不同的颜色（如绿色->黄色->红色）或控制自发光强度。
2. 头顶UI组件：为AI角色添加一个Widget Component，将其附着在骨骼或Socket上，调整到头顶位置。创建一个UMG控件，里面包含代表不同状态的图标（如问号、感叹号）。在AI控制器的蓝图中，根据状态变化来动态设置这个Widget的可见性和显示的图标。
3. 调试可视化：在开发阶段，可以在AI控制器的Tick事件中，使用Draw Debug系列节点（如Draw Debug Cone绘制视野锥形，Draw Debug Sphere在TargetLocation画个球），这能让你直观地看到AI的感知范围和当前目标，极大方便调试。

5. 性能优化、调试与常见问题排查

当AI数量增多时，性能问题会凸显。同时，复杂的行为树也容易出bug。以下是关键的优化和调试技巧。

5.1 性能优化要点

1. 行为树执行频率：在行为树组件的细节面板中，找到Tick Interval。默认是每帧执行，这对于大多数AI来说过于频繁。可以将其设置为0.1秒或0.2秒，这能显著减少CPU开销，且对于巡逻、追击这类行为来说完全足够。
2. 感知系统更新频率：AIPerception组件也有Perception Updates设置。可以考虑降低其更新频率，或者使用AIStimuli组件进行更手动、更高效的事件驱动感知。
3. 导航查询频率：Move To任务内部会进行路径查找。确保Acceptable Radius设置合理，过小的半径会导致AI在目标点附近反复进行微路径调整，增加计算量。对于巡逻点，设置0.5米到1米的接受半径通常是合适的。
4. 服务节点间隔：自定义服务中的Interval不要设置得太小。像更新目标位置的服务，0.1-0.3秒的间隔已经非常跟手了。
5. 减少Tick事件：尽量避免在AI角色或控制器的Event Tick中执行复杂的计算或蓝图逻辑。将逻辑转移到按需触发的事件（如感知更新）或行为树的服务/任务中。

5.2 调试技巧与常见问题

1. 行为树可视化调试：在编辑器运行模式下（PIE），打开“窗口”->“调试”->“行为树调试器”。选择你的AI角色，你可以实时看到行为树当前正在执行哪个节点（高亮显示），以及所有黑板键的当前值。这是排查逻辑流问题的最强工具。
2. AI不移动：
   • 首要检查：场景中是否放置并正确构建了NavMeshBoundsVolume？在视口显示中勾选“导航网格体”，查看地面是否有绿色的可行走区域。
   • 检查Move To任务：目标黑板键设置是否正确？接受半径是否过大导致瞬间“到达”？
   • 检查AI控制器：是否成功绑定了角色？Run Behavior Tree节点是否被执行？
3. 感知不触发：
   • 检查AIPerception组件的感官配置，特别是AI Sight的半径和角度。
   • 检查感知到的Actor是否有正确的碰撞通道。在AIPerception组件的“AI感知”分类下，有一个“可检测对象”配置，确保玩家的碰撞通道（如Pawn）被包含在内。
   • 在On Target Perception Updated事件中打印日志，确认事件是否被触发，以及感知到的Actor信息。
4. 行为树卡在某个节点：
   • 使用行为树调试器查看节点状态。一个常见的坑是Wait任务没有结束。检查Wait任务的时长设置，以及是否有其他逻辑强制中断了它。
   • Sequence节点要求所有子节点成功才返回成功。如果其中一个子任务失败（比如Move To因为不可达路径而失败），整个Sequence就会失败，可能导致行为树向上回溯。考虑使用Selector包裹可能失败的任务，或者使用Force Success装饰器。
5. 黑板键值不更新：
   • 确保在设置黑板键值时，你获取的是正确的行为树组件引用。通常可以通过AI控制器的Run Behavior Tree节点返回的引用，或使用Get Blackboard Component节点来获取。
   • 在设置键值的地方打印日志，确认数值是否按预期改变了。

5.3 扩展思路：从基础到复杂

掌握了这套基础框架后，你可以轻松地进行扩展：

• 多状态AI：增加更多的黑板键和分支，实现“逃跑”、“寻找掩体”、“呼叫支援”、“装弹”等复杂状态。
• 团队AI：通过黑板或游戏实例（GameInstance）共享信息。例如，一个AI发现玩家后，可以将TargetLocation写入一个共享数据区，其他AI读取后也能进入警戒状态。
• 环境查询系统（EQS）：这是UE4中更高级的AI决策工具，可以用于让AI在追击时选择最优路径（如避开玩家视线）、在巡逻时随机选择有趣的点、在寻找掩体时评估周围物体的安全性。EQS生成的位置可以直接赋值给黑板键，与现有行为树无缝集成。
• 与动画蓝图联动：将行为树中的状态（通过黑板键）传递给动画蓝图，驱动不同的移动、 idle、战斗动画状态机，实现动作与逻辑的完美同步。

构建一个健壮的AI系统，是一个不断迭代和调试的过程。核心在于保持行为树结构的清晰，将复杂的逻辑判断下沉到蓝图或C++中，仅将结果以简单的键值对形式提供给行为树做决策。从这个小型的巡逻-追踪AI开始，你已经掌握了UE4智能行为构建的基石，可以在此基础上不断堆叠更丰富、更智能的行为模块。