前兩個模塊大致講了講AI角色的感知和自主決策，決策之後呢？當然就要開始行動了。比如AI角色發現一個目標，並決定去攻擊它，但它與目標之間可能還有一段距離，AI角色需要先到達目標點，這就需要AI角色自主尋路了，還有玩家點擊地圖上的某點，尋路模塊需要找到一個最佳路線趕過去。最常用的便是A*尋路了，當然unity自帶的Navmesh導航網絡也是基於此算法。
A*尋路常用術語：
地圖：它是一個空間，定義了場景中相互連接的可行走區域。A*在這個空間內尋找兩個點之間的路徑。
目標估計：尋路過程中估算代價，顯得更智能。
代價：尋路過程中，可能有很多影響因素，包括時間、地形、距離等等，它們都會有不同的代價，我們要做的是尋找到一條代價最小的路徑。
節點：節點與地圖上的位置相對應，用來記錄搜索進度。它存放的有當前節點的位置信息，還有父節點（上一個節點）。每個節點有三個屬性值，分別是g,h,f。
g: 起始節點到當前節點的代價
h:從當前節點到目標節點的估計代價(不考慮障礙物）。
f:是經過當前節點這條路徑代價的最好估計值，f值越小路徑越好。f=g+h
導航圖：要進行尋路，需要將遊戲環境用一個圖表示出來，最重要的有三種格式：基於單元的導航圖、可視點導航圖、導航網絡。
三種導航圖的建立以及優缺點：
基於單元的導航圖：將遊戲地圖劃分爲多個正方形單元或六邊形單元組成的規格網絡，網格點或網格中心點可以看作節點。
優勢：結構簡單，易於動態更新，動態增加建築物或障礙物，所以常用在塔防遊戲等頻繁更新場景的遊戲中。
缺點：節點太多，消耗內存，RTS遊戲尋路物體多時會消耗大量CPU,對於複雜地形效果不佳。
創建可視點導航圖：場景設計者在場景中放置一些路徑點，如果兩點之間沒有障礙物，說明兩點之間可以“看見”，可以用一條線段把兩個點連接起來，生成邊，很多這樣的邊就可以組成導航網絡。
優勢：靈活，場景設計者可以精心選擇，對於複雜地形會有比較好的效果。
缺點：場景很大時，手工放置工作量大且易出錯；由於AI角色是沿着“邊”走，可能不是最佳路線，會走“Z"字形路線。而且如果路徑點之間是懸崖時，它可能會跌落懸崖。
導航網絡：它將遊戲場景可行走區域劃分爲凸多邊形，每個凸多邊形代表一個節點，代價可以把多邊形的質心之間的線段長度。
優勢：可以進行精確的點到點的移動，由於凸多邊形面積可以任意大，所以佔用的內存小，搜索速度很快。
缺點：生成導航網絡（烘培）時間較長，特別是地形複雜且多的地圖。雖然unity添加了動態避障的功能，但每次都得重新烘培一次，所以多用於靜態場景中。
————————————————————————————————————————————————————
A*尋路算法是如何工作的？
A*算法使用兩個狀態表來存儲不同的節點，分別是Open表，由待考察的節點組成。Closed表由已經考察過的節點（算法檢查過與它相鄰的所有節點，計算出它們之間的f,g,h值，並放入Open表中待考察）組成。 開始時，Closed表爲空，Open表只包括起始節點。每次迭代中，將Open表中代價最小的點取出來檢查，如果不是目標節點，那麼考慮該節點的相鄰節點，對相鄰節點做如下處理：
1. 不在Open表和Closed表中，則加入Open表中。
2. 已經在Open表中，且新路徑具有更低代價，更新它的信息。
3. 在closed表中，檢查新路徑是否有更低的代價，是的話將其加入Open表中，否則忽略。
重複上述步驟，直到達到目標點，如果到達目標點之前,open表已經變空，說明沒有可達路徑。
A*算法實現戰術尋路：
很多時候，最短路徑並不是最好的選擇，一些情況下，我們希望AI角色更聰明靈活，需要用到戰術尋路。怎麼實現呢？我們需要給一些區域賦予不同的代價值，比如高危區域代價加100，普通危險區域代價加50，安全區域代價不變。A*就會盡量避免這些高代價區域。
A* Pathfinding Project插件：大佬貢獻的插件，可以修改代碼，當你彷徨無措是總會有大佬把飯端到你嘴邊。感謝！這裏不多介紹這個插件了。
