UE4蓝图实现AI智能路径规划与动态移动全流程实战

1. 项目概述：从蓝图到智能移动

在虚幻引擎4（UE4）的开发中，让角色或AI实体在复杂环境中自主、流畅地移动，是许多项目从原型走向成熟的关键一步。无论是制作一款需要NPC巡逻、追击玩家的动作游戏，还是一个模拟无人机或机器人自主作业的仿真应用，智能路径规划与动态移动都是核心需求。这个需求听起来宏大，但UE4强大的蓝图可视化脚本系统，为我们提供了一条从概念到实现的清晰路径，让开发者无需深入底层C++代码，也能构建出相当复杂的AI行为逻辑。

我接手过不少项目，初期大家往往用最简单的“直线移动”或预设路径点来应付，结果就是AI显得很“傻”——撞墙、卡角、在动态障碍物前不知所措。后来我们系统地用蓝图重构了移动逻辑，效果立竿见影。UE4蓝图在这里扮演的角色，就像一个高级的“行为组装车间”。我们不需要从零发明轮子（路径规划算法），而是利用引擎内置的导航系统（NavMesh）作为寻路的基础设施，再通过蓝图去定制“何时寻路”、“如何寻路”以及“寻路后如何移动”这一整套决策与执行链条。

所谓智能路径规划，核心是解决“从A到B怎么走”的问题，并且这个B点可能是动态变化的（比如玩家位置），而路径本身也需要应对环境中突然出现的障碍（动态避障）。动态移动则关注“如何沿着规划好的路径走”，涉及到移动速度、转向平滑度、动画匹配、以及在路径点间如何过渡等细节。将两者结合，就能创造出能绕开桌椅追逐玩家、能在队友身后寻找掩体、或是在仓库中自动规划拣货路线的智能体。

本篇文章，我将以一个实战案例为线索，拆解如何纯粹使用UE4蓝图，一步步构建一个具备环境感知、动态路径重规划和平滑移动能力的AI系统。无论你是刚接触AI编程的蓝图新手，还是想优化现有移动逻辑的开发者，都能从中找到可直接落地的思路和代码块。

2. 核心系统解析：导航网格与AI控制器

在动手连接蓝图节点之前，我们必须先理解UE4为我们准备好的“地基”——导航系统。很多移动问题，根源在于对这个基础系统的理解不透彻。

2.1 导航网格：世界的可通行地图

导航网格（Navigation Mesh，简称NavMesh）是UE4路径规划的物理基础。你可以把它想象成一张铺在所有可行走地表上的隐形“网格地毯”。AI只能在这张地毯覆盖的区域内移动。生成这张地毯的过程，就是让引擎自动分析关卡中所有静态碰撞体的过程，计算出哪些区域是“可行走”的。

在编辑器中生成NavMesh：

  1. 在模式面板中，找到“体积”分类，将Nav Mesh Bounds Volume拖入场景。
  2. 调整这个体积框的大小，使其完全包裹住你希望AI能够活动的所有区域。注意，它需要覆盖从地面到预期跳跃高度的空间。
  3. 在顶部菜单栏选择“播放”旁边的下拉箭头，点击“显示”->“导航”，或者直接按P键。你会看到场景中可行走区域被绿色网格覆盖，障碍物区域则为红色。
  4. 如果NavMesh没有生成或显示不全，检查你的地面和静态障碍物是否设置了正确的碰撞预设（通常为BlockAll）。只有被标记为阻挡的物体，NavMesh才会绕开。

注意：NavMesh在编辑器状态下是“静态”计算的，它只考虑那些在构建时不会移动的物体（静态网格体）。对于门、可破坏的箱子、移动的车辆这些动态障碍物，NavMesh本身不会更新，这就需要我们后面提到的“动态避障”技术来补充。

2.2 AI控制器与行为树：大脑与决策树

在UE4的AI框架中，AIController是专门控制Pawn（可以是角色也可以是任何可移动物体）的“大脑”。它和玩家控制器（PlayerController）类似，但专为AI逻辑设计。我们创建的AI角色，其蓝图类中的“AI控制器类”需要指定为我们自定义的AIController蓝图。

而行为树（Behavior Tree）是这个大脑的“决策流程图”。它以一种树状结构组织AI的行为逻辑，比直接在角色蓝图里写一堆分支判断要清晰和强大得多。行为树的核心组件包括：

  • 任务（Task）：叶子节点，执行具体操作，如“移动到某点”、“等待一段时间”。
  • 装饰器（Decorator）：附加在节点上的条件判断，如“是否看到敌人”、“生命值是否低于50%”。
  • 服务（Service）：在节点激活时以一定频率执行的后台逻辑，如“更新已知的敌人位置”。
  • 复合节点（Composite）：控制子节点执行顺序，如选择器（Selector）（执行第一个成功的子节点）、序列（Sequence）（按顺序执行所有子节点）。

在蓝图中，我们通常会创建一个行为树资源，然后在AIController的BeginPlay事件中，使用Run Behavior Tree节点来启动它。路径规划的核心“移动”任务，就是行为树中的一个标准任务节点。

2.3 蓝图中的关键节点与类

理解几个关键蓝图节点和对象，能让你的开发事半功倍：

  • AI Move To节点：这是实现路径规划和移动的“一站式”节点。你给它一个目标位置或对象，它就会自动为控制的Pawn规划路径并移动过去。它封装了寻路请求、路径跟随等复杂逻辑。
  • Navigation Path对象：当你需要更精细地控制路径，比如先获取路径、进行可视化调试、或对路径点进行自定义处理时，可以使用Find Path to Location Synchronously等节点获取这个对象。它包含了路径上所有关键点（Path Points）的数组。
  • NavMovementComponent：这是Pawn身上负责与导航系统交互的组件。它处理移动指令、应用速度、并处理与物理的交互。通常Character类已内置。
  • EQS（环境查询系统）：这是一个更高级的工具，用于让AI基于多重条件（如距离、视线、dot值等）在环境中智能地选择位置，而不仅仅是“移动到某点”。例如，让AI寻找一个既能射击到敌人又有掩体的位置。EQS可以生成一个位置集合并进行评分，最终选出最佳点作为AI Move To的目标。

3. 基础路径规划与移动实现

掌握了核心系统，我们现在开始用蓝图搭建最基础的移动功能。我们从最简单的“移动到固定点”开始，逐步增加复杂性。

3.1 创建AI角色与控制器

首先，我们需要创建AI的实体和它的大脑。

  1. 创建AI角色蓝图：在内容浏览器中右键，选择“蓝图类”，然后以Character为父类创建一个新蓝图，命名为BP_AI_Character。打开后，在“类默认值”的“Pawn”设置中，将“AI控制器类”设置为AIController（或你后续自定义的控制器）。
  2. 创建AI控制器蓝图：同样以AIController为父类创建蓝图，命名为BP_AI_Controller。
  3. 创建行为树和黑板：行为树需要一块“黑板（Blackboard）”来存储和共享数据（如目标位置、敌人对象等）。先创建一个Blackboard资源，命名为BB_AI。然后创建一个Behavior Tree资源，命名为BT_AI。打开行为树，在其细节面板中，将“Blackboard Asset”指定为刚创建的BB_AI。
  4. 关联控制器与行为树：打开BP_AI_Controller，在事件图表中，于BeginPlay事件后添加Run Behavior Tree节点，将“BT Asset”设置为BT_AI。

3.2 使用行为树实现移动任务

现在，我们来配置行为树，让AI能够移动。

  1. 打开BT_AI。从根节点拉出线，添加一个Sequence复合节点。
  2. 在Sequence下，添加一个Move To任务节点。
  3. 选中Move To节点，在细节面板中，点击“Blackboard Key”旁的“+”号，在黑板BB_AI中创建一个新键，类型为Vector，命名为TargetLocation。然后将Move To节点的“Blackboard Key”设置为这个TargetLocation。
  4. 这样，行为树逻辑就变成了：按顺序执行（Sequence） -> 移动到黑板中TargetLocation存储的位置。

3.3 在蓝图中触发移动

行为树准备好了，但TargetLocation还是空的。我们需要在某个地方设置这个值。通常，这会在AI控制器的蓝图或某个触发器中完成。

打开BP_AI_Controller，我们可以在BeginPlay后，不仅运行行为树，还设置一个初始目标：

  1. 在Run Behavior Tree节点后，获取Controlled Pawn的位置。
  2. 使用Get Actor Forward Vector和乘法、加法运算，计算一个Pawn前方500单位的位置作为目标。
  3. 使用Set Blackboard Value as Vector节点，将计算出的位置赋值给黑板键TargetLocation（需要先从行为树资源获取黑板组件）。

更常见的做法是响应某个事件。例如，我们可以让AI在感知到玩家后开始追逐：

  1. 在BP_AI_Controller中，使用OnPossess事件（当控制器占据一个Pawn时触发）来获取并存储该Pawn的引用。
  2. 为AI角色添加一个Pawn Sensing组件，并配置其视觉/听觉范围。
  3. 在Pawn Sensing组件的OnSeePawn事件中，判断看到的Pawn是否是玩家。如果是，则获取玩家位置，并通过黑板设置TargetLocation。同时，可以在黑板上设置一个Object类型的TargetActor键来存储玩家引用，这样Move To节点也可以直接选择“Blackboard Key”为TargetActor，实现持续追逐。

3.4 移动参数详解与调试

Move To节点和AI Move To函数有很多关键参数，直接影响移动表现：

  • Acceptable Radius：到达距离。当AI与目标点的距离小于此值时，即认为移动完成。对于需要精确到达的场景（如走到某个开关前），可以设小（如50）；对于大致区域（如巡逻点），可以设大（如150）。
  • Stop on Overlap：当与目标对象发生重叠时是否停止。追逐玩家时应设为True。
  • Use Pathfinding：是否使用路径寻找。当然是True。
  • Can Strafe：是否允许侧步。如果AI在移动中需要面向目标（如一边移动一边射击），应设为True，移动组件会计算侧向移动。
  • Allow Partial Path：是否允许使用不完整路径。如果目标点完全不可达，但存在一条能到达“尽可能近”位置的路径，设为True则AI会移动到那个最近点；设为False则移动失败。这是一个非常重要的参数，在动态障碍物阻挡时，设为True可以防止AI完全卡死。

调试技巧：

  • 在编辑器中运行游戏时，打开“~”控制台，输入ShowDebug AI，可以在AI角色头上看到其当前行为树状态、黑板值和当前任务。
  • 输入ShowDebug Navigation可以显示实时的路径线。绿色的线是规划路径，AI实际移动时会有一条跟随线。
  • 在行为树编辑器中右键点击，选择“搜索”，输入“Log”，可以添加Log任务节点，用于在行为树执行到特定位置时输出信息，是排查逻辑流程的利器。

4. 高级动态路径规划技术

基础移动能让AI到达静态目标，但真实世界是变化的。玩家可能关门，箱子可能被推倒，其他AI可能挡住去路。这就需要动态路径规划。

4.1 动态避障与路径重规划

UE4的导航系统本身支持一定程度的动态避障，主要通过导航障碍物（Nav Modifier）和动态障碍物（Nav Obstacle）实现。

  • 导航障碍物体积：在模式面板的“体积”中，有Nav Modifier Volume。你可以将它放置在场景中，并设置其“区域分类”。例如，设置为“不可行走”，那么这个体积内的NavMesh就会失效，AI会自动绕行。你可以在蓝图中动态设置这个体积的启用（SetActorEnable）来模拟打开/关闭一扇门。
  • 动态障碍物组件：更灵活的方式是为任何需要动态阻挡的Actor添加Nav Obstacle组件。添加后，该Actor就会实时阻挡NavMesh。你可以通过蓝图控制其Set Can Affect Navigation属性。这里有一个关键点：动态障碍物主要影响的是路径的“生成”，而不是路径的“跟随”。也就是说，如果障碍物在AI开始移动后才出现，AI不会自动重新规划路径，除非我们手动触发。

实现路径重规划：

  1. 定期重规划：在行为树中，可以在Move To任务的上层（如同一个Sequence中）添加一个Service。这个Service以一定频率（如0.5秒）检查当前路径是否被阻挡。检查方法可以是：从AI当前位置到目标位置做一次Line Trace（射线检测），如果被标记为导航阻挡的物体挡住，则判定为路径受阻。
  2. 触发重规划：当检测到路径受阻时，这个Service可以强制中止当前的Move To任务（通过修改黑板值触发中止条件，或使用Finish Abort装饰器），然后行为树会重新选择执行Move To任务，由于目标未变，它会基于新的环境（包含新障碍物）重新计算一条路径。
  3. 使用AI Move To的观察选项：AI Move To节点有一个“Observed Blackboard Value”输入引脚。你可以将一个黑板键（如目标位置）连接到这里。当这个黑板键的值发生变化时，当前的移动任务会自动中止并重新开始，以响应新的目标。这为动态目标提供了内置支持。

4.2 使用EQS进行智能位置选择

当目标不是一个固定点，而是一个需要满足多种条件的“最佳位置”时，Move To就力不从心了。例如，“寻找一个能看到敌人但自己处于掩体后的位置”。这时就需要环境查询系统（EQS）。

  1. 创建EQS查询：在内容浏览器中创建Environment Query资源。EQS编辑器通过生成器（Generators）创建一系列测试点（如在角色周围生成一个网格点），然后通过一系列测试（Tests）对这些点进行评分。
  2. 配置查询：例如，添加一个“Points: Grid”生成器，在AI周围生成网格点。然后添加测试：
    • Trace测试：从每个点到敌人位置做射线检测，能直接看到的点得分高（用于“看到敌人”）。
    • Dot测试：计算每个点与敌人连线的方向，与掩体法线方向的点积，值接近-1（即点在掩体后方）得分高。
    • 最后使用Score测试将多个测试结果加权综合。
  3. 在蓝图中运行EQS：使用Run EQS Query节点执行你创建的查询。它会返回一个位置数组及其得分。
  4. 将结果用于移动：选择得分最高的位置，将其设置为黑板中的TargetLocation，然后由行为树的Move To任务执行移动。

EQS将复杂的位置评估逻辑数据化、可视化，是构建高级AI态势感知和决策的基石。

4.3 局部路径规划与转向行为

有时，全局路径是好的，但AI在跟随路径时移动得很生硬，遇到急转弯会“漂移”或停顿。这涉及到局部路径规划和移动控制。

  • 路径跟随算法：AI Move To内部已经实现了基本的路径跟随。但对于非Character的Pawn（如使用浮点移动的物体），你可能需要自己实现。核心逻辑是：获取Navigation Path对象，从中取出路径点数组。让AI朝向并移向下一个路径点，当足够接近时，切换到再下一个点。
  • 平滑转向：在角色移动组件或自定义移动逻辑中，不要瞬间将朝向设置为目标方向。使用RInterp To（旋转插值）或Find Look at Rotation结合Smooth Rotation的方式来渐进地旋转角色，移动会更加自然。
  • 避免静态拥挤：当多个AI需要前往同一区域时，简单的路径规划会导致它们挤在一起。可以在Move To时设置一个较小的Acceptable Radius，并让每个AI在到达后有一个随机的微小位置偏移。更高级的做法是使用NavLink Proxy（导航链接代理）来定义跳跃、攀爬等特殊移动方式，或者使用Crowd Manager（人群管理器）来进行基于速度的避障，但这通常需要更深入的C++集成或插件支持。

5. 性能优化与常见问题排查

一个功能完善的AI系统，还必须考虑性能和稳定性。当场景中有数十上百个AI同时进行路径规划时，优化不当会导致明显的性能卡顿。

5.1 性能优化策略

  1. 降低寻路频率：这是最有效的优化。不要每帧都调用AI Move To或查询路径。
    • 在行为树中，确保Move To任务只在目标改变或路径失效时才被重新执行。
    • 用于检测路径阻塞的Service，其执行间隔（Interval）可以设为0.5秒甚至1秒，而不是0.1秒。
    • 对于巡逻AI，可以在到达一个点后等待几秒，再设置下一个目标。
  2. 简化导航网格：在项目设置（Project Settings）的“导航网格”（Navigation Mesh）部分，调整代理（Agent）的参数。
    • Agent Radius：AI的碰撞半径。在满足 gameplay 需求的前提下，尽可能设置得大一些。较大的半径会让NavMesh在角落处生成更简化的边界，减少网格复杂度。
    • Agent Height：AI的高度。同样，在合理范围内设置。
    • Cell Size：NavMesh网格单元的大小。增加此值会降低寻路精度，但能大幅提升NavMesh生成速度和运行时查询效率。对于大型开放世界，通常需要设置较大的Cell Size。
    • 可以为不同体型的AI创建不同的导航代理（Nav Agent），在AI Move To时指定对应的代理，这样大象和小猫就能在不同的网格精度上寻路。
  3. 使用异步寻路：AI Move To内部是异步的。但如果你自己调用Find Path to Location Synchronously，它是同步的，可能会阻塞游戏线程。在可能的情况下，使用异步版本（如果有）或将其放入单独的线程/任务中。
  4. 分层寻路（HRA）*：对于超大型地图，UE4支持分层寻路。它首先生成一个低精度的“高层”网格用于大区域寻路，再在局部使用高精度网格。这需要在导航系统设置中开启并配置。

5.2 常见问题与解决方案实录

在实际开发中，我踩过不少坑，这里总结几个最常见的问题及其排查思路：

问题一：AI在导航网格边缘“抖动”或无法移动。

  • 现象：AI走到某个位置后开始原地快速旋转或小幅来回移动，控制台显示“Path following failed”。
  • 排查：
    1. 按P键显示导航网格，检查AI所在位置是否在绿色网格边缘或非常靠近障碍物。有时NavMesh生成在复杂几何体旁会有锯齿或空洞。
    2. 检查AI的碰撞胶囊体是否与地面或其他静态网格体有穿透。CharacterMovementComponent的Hit Z事件可能会被频繁触发，导致移动中断。
  • 解决：
    1. 调整场景中静态网格体的碰撞，确保可行走区域是连续的。
    2. 适当增大Move To节点的Acceptable Radius。
    3. 在AI蓝图中，检查移动组件是否设置了合理的Ground Friction和Braking Deceleration，过高的值可能导致在微小坡度上无法启动。

问题二：AI无视动态出现的障碍物，直接“穿模”或卡住。

  • 现象：一个箱子被推到路中间，AI依然沿着旧路径移动，要么穿过去，要么在箱子前卡住不动。
  • 排查：
    1. 确认动态障碍物Actor是否正确添加了碰撞，并且碰撞预设（Collision Preset）包含了NavigationStatic或NavigationDynamic的阻挡响应。
    2. 确认是否添加了Nav Obstacle组件并启用。
    3. 检查行为树是否有路径重规划逻辑（如前面提到的定期检测Service）。
  • 解决：
    1. 确保动态障碍物的Can Affect Navigation属性在生成或被推动时为True。
    2. 实现路径重规划逻辑。一个简单的方案：在AI身上添加一个定时器，每0.5-1秒执行一次。从AI位置向目标方向发射一条短距离（如AI速度*1秒）的射线检测，如果命中物是导航阻挡，则强制重置移动目标（例如，先将目标设为自身位置，下一帧再设回原目标，以触发重新寻路）。

问题三：多个AI移动时相互卡死，形成“死锁”。

  • 现象：两个AI在狭窄通道迎面相遇，都停下来不动，谁也不让谁。
  • 排查：默认的AI Move To不包含对其他移动AI的避让逻辑。它只考虑导航网格上的静态和动态障碍。
  • 解决：
    1. 简单方案：为AI添加一个简单的“避让”行为。在移动Service中，检测前方一定距离内是否有其他AI。如果有，可以让自己短暂停止（Stop Movement）或向侧方移动一小段距离（通过修改移动目标为一个侧向偏移点）。
    2. 使用避让感知：更复杂的方案是使用Avoidance。在CharacterMovementComponent中，可以设置bUseRVOAvoidance为true，并配置Avoidance Consideration Radius等参数。这会让移动组件尝试计算速度障碍来避开其他也启用了避让的AI。注意：这个功能计算开销较大，且需要精细调参，AI数量多时慎用。
    3. Gameplay层解决：从游戏设计上避免，比如设置单向通道，或让AI在相遇时有概率执行一个“靠右走”的偏移逻辑。

问题四：移动动画与实际速度不匹配，出现滑步。

  • 现象：AI的移动动画在播放，但角色模型在原地或移动很慢，看起来像在冰上滑行。
  • 排查：
    1. 检查CharacterMovementComponent的Max Walk Speed是否设置合理，AI Move To是否应用了期望的速度。
    2. 在动画蓝图中，确保Speed或Velocity变量是从移动组件（Get Velocity）获取的，并且这个速度值被正确地归一化后驱动混合空间（Blend Space）或状态机。
    3. 检查是否有多套动画逻辑在竞争控制角色的位移，例如蓝图中的Add Movement Input和AI Move To同时生效。
  • 解决：
    1. 确保AI Move To是控制移动的唯一源头。不要在调用AI Move To的同时，还在每帧用Add Movement Input。
    2. 在动画蓝图中，使用从移动组件获取的速度向量的长度（Vector Length）来驱动移动动画，而不是用预设的固定值。
    3. 如果使用根骨骼运动（Root Motion）动画，需要确保CharacterMovementComponent中的Movement Mode与动画匹配，并且AI Move To可能与根骨骼运动冲突，需要仔细设计状态切换。

6. 实战案例：构建一个动态巡逻与追击AI

让我们综合运用以上所有知识，构建一个完整的AI示例：它平时在几个点之间随机巡逻，一旦发现玩家，就持续追击，如果玩家躲进房间关上门，AI会在门外徘徊片刻后返回巡逻。

6.1 系统搭建与数据准备

  1. 创建资产：创建BP_AI_Guard（角色）、BP_AI_Guard_Controller（控制器）、BT_Guard（行为树）、BB_Guard（黑板）。
  2. 配置黑板键：在BB_Guard中创建以下键：
    • TargetLocation(Vector): 移动目标位置。
    • PatrolPoints(Vector Array): 存储所有巡逻点的数组。
    • CurrentPatrolIndex(Int): 当前目标巡逻点的索引。
    • HasSeenPlayer(Bool): 是否发现了玩家。
    • PlayerActor(Object): 玩家对象引用。
    • LastKnownPlayerLocation(Vector): 玩家最后被看到的位置。
    • IsInvestigating(Bool): 是否正在调查（如玩家消失后）。
  3. 设置AI角色：为BP_AI_Guard添加PawnSensing组件，配置视觉距离、角度和刷新频率。

6.2 行为树逻辑构建

打开BT_Guard，我们从顶层开始设计：

  1. 根节点：连接一个Selector（选择器）。选择器会执行第一个成功的子节点。
  2. 第一优先级：追击玩家。在Selector下添加一个Sequence，并为其附加一个装饰器Blackboard Based Condition，条件是HasSeenPlayer == True。这个Sequence内部逻辑是“发现玩家后执行的动作序列”。
    • 子任务1：Move To，目标键设为PlayerActor（对象移动）。这样AI会持续追逐玩家当前位置。
    • 子任务2（并行）：添加一个Service，名为Update Last Known Location。这个Service以高频率（如0.1秒）运行，只要看到玩家，就将玩家当前位置写入LastKnownPlayerLocation黑板键。同时，在OnSeePawn事件中，我们也要设置这个值。
  3. 第二优先级：调查异常。在Selector下添加第二个Sequence，装饰器条件为IsInvestigating == True。
    • 子任务1：Move To，目标键设为LastKnownPlayerLocation。
    • 子任务2：Wait，等待2-3秒，模拟观察。
    • 子任务3：Set Blackboard Value，将HasSeenPlayer和IsInvestigating都设为False。调查结束，返回巡逻。
  4. 第三优先级：默认巡逻。在Selector下添加第三个Sequence（无需装饰器，作为默认选择）。
    • 子任务1：一个Service，名为Update Patrol Target。这个Service在进入巡逻状态时执行一次，其逻辑是：从PatrolPoints数组中，根据CurrentPatrolIndex取出一个位置，设置为TargetLocation。然后CurrentPatrolIndex自增，如果超过数组长度则归零。
    • 子任务2：Move To，目标键设为TargetLocation。
    • 子任务3：Wait，在巡逻点等待一个随机时间（如3-5秒）。

6.3 控制器蓝图中的事件驱动

在BP_AI_Guard_Controller中，我们需要响应感知事件来驱动黑板状态。

  1. OnSeePawn事件：当PawnSensing组件看到Pawn时，判断是否为玩家。如果是，则执行：
    • Set Blackboard Value：将HasSeenPlayer设为True。
    • Set Blackboard Value：将PlayerActor设为看到的玩家对象。
    • Set Blackboard Value：将IsInvestigating设为False（因为已经直接看到了，无需调查）。
    • Clear Timer：清除一个可能存在的“丢失玩家”计时器（下一步会用到）。
  2. OnPawnLost事件：当玩家离开视线时触发。这里我们不是立即放弃，而是开始一个“调查”流程。
    • Set Blackboard Value：将HasSeenPlayer设为False（因为当前没看到）。
    • Set Blackboard Value：将IsInvestigating设为True。
    • Set Timer：设置一个计时器（如5秒），计时器函数里，将IsInvestigating设回False。这样，如果AI在5秒内没有再次看到玩家（通过OnSeePawn事件会清除此计时器），就会结束调查，返回巡逻。

6.4 动态障碍物响应集成

为了让AI能应对关上的门，我们需要：

  1. 为门Actor创建一个蓝图BP_Door。
  2. 在BP_Door中添加Nav Obstacle组件，并设置其Can Affect Navigation属性由一个布尔变量（如bIsOpen）控制。
  3. 在门的交互逻辑中（如被玩家打开/关闭时），更新bIsOpen变量，并相应地设置Nav Obstacle组件的Set Can Affect Navigation。
  4. 在AI的巡逻路径上放置这样一扇门。当门关闭时，NavMesh在此处会生成一个动态空洞。AI的Move To任务在下次寻路（或触发重规划）时，会自动绕行。如果AI正在穿过时门关闭，由于我们之前实现了路径阻塞检测（通过Service定期进行射线检测），AI会检测到路径被阻，从而触发重新寻路，它就会寻找新的路线。

6.5 调试与效果微调

将配置好的AI放入关卡，设置好几个巡逻点，并放置一扇门。运行游戏：

  • 初始状态，AI会在巡逻点间移动并等待。
  • 当玩家进入其视野，AI会立即切换为追击状态，行为树选择器执行第一个分支（追击）。
  • 如果玩家跑进房间并关上门，AI会在门口停下（路径被阻）。OnPawnLost事件触发，HasSeenPlayer设为False，IsInvestigating设为True。行为树选择器现在执行第二个分支（调查），AI会移动到玩家最后消失的位置（门口）并等待。
  • 等待期间，如果玩家再次出现（开门），OnSeePawn会触发，清除调查计时器，重置状态，AI继续追击。
  • 如果等待超时（5秒），调查状态结束，AI返回第三个分支（巡逻），从最近的巡逻点继续它的路线。

通过这个案例，你将一个静态的移动指令，升级成了一个具备环境感知、状态记忆、动态决策和异常处理的智能移动系统。整个过程完全由蓝图驱动，无需编写一行C++代码，充分展示了UE4蓝图系统在实现游戏性AI方面的强大与灵活。