pathfinding universität zu köln historisch-kulturwissenschaftliche informationsverarbeitung...
Post on 05-Apr-2015
111 Views
Preview:
TRANSCRIPT
Pathfinding
Universität zu KölnHistorisch-Kulturwissenschaftliche Informationsverarbeitung
Softwaretechnologie II (Teil 1): Simulation und 3D ProgrammierungWS 2012/13
Dozent: Prof. Dr. ThallerDatum: 31.01.2013 Referent: Marvin Liu
Gliederung
1. Allgemeines zu Pathfinding 2. Pathfinding Algorithmen:- Dijkstra- A*
3. World Representations
Allgemeines und Anwendungsgebiete von Pathfinding
Spielfiguren müssen in der Lage sein sich in Levels zu bewegen
Dabei kann eine feste Route vom Entwickler vorgegeben sein (Patrouillieren) oder es kann ein kleinerer abgegrenzter Bereich zufällig durchwandert werden
Fixe Routen können leicht implementiert werden, geraten aber an ihre Grenzen, wenn ein Objekt in den vorgegebenen Weg gerät
Frei umherwandernde Spielfiguren können ziellos wirken und leicht steckenbleiben
Allgemeines und Anwendungsgebiete von Pathfinding
Komplexere Spielfiguren wissen nicht im voraus, wohin sie sich als nächstes bewegen müssen
In RTS-Spielen können sie zu jedem Zeitpunkt vom Spieler an jeden Punkt auf der Karte geschickt werden
Ein Plattformspiel benötigt evtl. Gegner, die den Spieler hinterherjage, ohne selbst in jeden Abgrund zu stürzen
Für diese Spielfiguren muss die AI in der Lage sein, geeignete Routen durch das Level zu berechnen, um ans Ziel zu gelangen
Diese Routen sollten sinnvoll und so kurz bzw. schnell wie möglich sein
→ Pathfinding (auch „path planning“)
Pathfinding Graph
Graphen sind mathematische Strukturen, die in Diagrammen dargestellt werden
Besteht aus: Knoten, die z.B. Räume repräsentieren und Verbindungen, die anzeigen, dass bspw. ein Raum mit einem Korridor verbunden ist
Weighted Graph
Verbindungen werden mit numerischen Zahlen versehen, die das Gewicht bzw. die Kosten einer Verbindung darstellen
Kosten stehen für die Zeit oder Distanz, die für den Weg zwischen den Knoten gebraucht wird
Werte für Kosten sind immer positiv
Weighted Graph
Knoten stehen für repräsentative Punkte von Regionen (z.B. das Zentrum)
Die Summe der Verbindungskosten vom Startknoten bis zum Zielknoten ergibt die Gesamtkosten einer Strecke
Directed Weighted Graph
Die Richtung einer Verbindung wird implementiert Verbindungen in beide Richtungen nur dann, wenn 2
Verbindungen mit gegensätzlicher Richtung zwischen 2 Knoten existieren, welche unterschiedliche Kosten haben können
Dijkstra
Aufgabe des Algorithmus besteht darin den Weg mit den geringsten Kosten von einem Startknoten zu einem Zielknoten zu finden
Vom Startknoten aus breitet sich Dijkstra über seinen Verbindungen aus und merkt sich die Verbindungen
Beim Zielknoten angelangt, kann so die kürzeste Strecke zum Startknoten zurückgeliefert werden
Dijkstra arbeitet mit Iterationen Bei jeder Iteration wird ein Knoten bearbeitet und
seine ausgehenden Verbindungen erfasst
Verarbeitung des „Current Node“
Current node bezeichnet den Knoten, der in der aktuellen Iteration verarbeitet wird
Während einer Iteration betrachtet Dijkstra alle ausgehenden Verbindungen vom current node
Für jede Verbindung findet er den Endknoten einer Verbindung und speichert den cost-so-far Wert zusammen mit der Verbindung über der er kam
Node Lists
Der Algorithmus erfasst alle Knoten die er bis jetzt „gesehen“ hat in 2 Listen
Open list: Enthält Knoten die „gesehen“ wurden, aber noch keine eigene Iteration durchlaufen haben
Closed list: Enthält Knoten, die schon ihre Iteration durchlaufen haben
Knoten die in keiner der beiden Listen auftauchen sind unvisited
Verarbeitung des „Current Node“
Dijkstra wählt für die nächste Iteration immer den Knoten zur Verarbeitung aus der open list aus, der die geringsten cost-so-far produziert
Nach Bearbeitung wird der Knoten von der open list entfernt und in die closed list eingetragen
Berechnung von cost-so-far für open und closed Knoten
Vergleich, ob die neue Route besser ist als die alte Cost-so-far wird berechnet und wenn der Wert größer
ist als der eingetragene, erfolgt kein Update Wenn der Wert niedriger ist, dann ersetze den cost-
so-far Wert und die Verbindungen und schreibe den Knoten in open list (evtl. Entfernung aus closed list)
Beendigung des Algorithmus
Der Dijkstra Algorithmus endet generell, wenn die open list leer ist
Oder wenn der Zielknoten der Knoten in der open list ist, mit dem kleinsten cost-so-far Wert
→ selbst wenn der Zielknoten bereits gefunden wurde, wird zunächst nach einer Route mit evtl. noch geringeren Kosten gesucht
Wegermittlung
Es wird beim Zielknoten gestartet und auf die Verbindungen nachvollzogen, die benutzt wurden um dort anzukommen
Beim Startknoten angelangt wird die entstehende Liste invertiert und daraus ergibt sich die vollständige Route
Pseudocode von Dijkstra
Performance von Dijikstra
Die open und closed lists verbrauchen am meisten Performance aufgrund der Operationen:
+=, -=, smallestElement, contains/find→ fast alle Optimierungsversuche finden in diesen
Bereichen statt Eine passende Balance zwischen diesen vier
Operationen zu finden ist der Schlüssel einer schnellen Implementierung
Performance von Dijikstra
n = jeder Knoten im Graphen, der näher als der Zielknoten ist
m = durchschnittliche Anzahl von ausgehenden Verbindungen pro Knoten
-> O(nm) = Algorithmus der Ausführungsgeschwindigkeit
Bei Beendung sind n Elemente in der closed list und nicht mehr als nm Elemente in der open list
-> Speicherverbrauch im schlimmsten Fall O(nm)
Schwächen von Dijkstra
Dijkstra durchsucht den gesamten Graphen nach der kürzesten Route zum Zielknoten
Fill = Anzahl der Knoten die in Betracht gezogen wurden, aber nicht zur finalen Route gehören
→ Dijkstra ineffizient für Punkt-zu-Punkt Pathfinding
A*
A* Algorithmus wird in fast jedem Spiel verwendet Leicht zu implementieren Sehr effizient Viel Spielraum für Optimierungen Entworfen für Punkt-Zu-Punkt Pathfinding und nicht
um die definitiv kürzeste Route zu finden Heuristik sorgt dafür, dass zuerst der Knoten gewählt
wird, der mit der höchsten Wahrscheinlichkeit den kürzesten Weg zum Ziel darstellt, anstelle des Knoten mit dem niedrigsten cost-so-far Wert
Verarbeitung des current node
Speicherung einer weiteren Variable, dem estimated-total-cost Wert (heuristic value)
→ Summe von: cost-so-far und der Entfernung des Knotens zum Zielknoten
Wert kann nicht negativ sein
Berechnung von cost-so-far für open und closed Knoten
Bei niedrigeren cost-so-far Werten, wird allein dieser Wert verändert
A* kann auch bei Knoten aus der closed list noch bessere Routen finden
Beendigung des Algorithmus
In vielen Implementationen wird A* beendet wenn der Zielknoten den kleinsten cost-so-far Wert von allen Knoten in der open list hat
Die heuristic function bestimmt, ob optimale Resultate oder suboptimale Resultate entstehen, welches sich in der Bearbeitungsgeschwindigkeit widerspiegeln
Wenn freiwillig suboptimale Ergebnisse akzeptiert werden, um bessere Performance zu gewährleisten, wird bspw. der Algorithmus Beendet, sobald der Zielknoten entdeckt wurde
Pseudocode von A*
Pseudocode von A*
Wegermittlung und Code
Das Abrufen der finalen Route erfolge genau wie bei Dijkstra
Der Code unterscheidet sich lediglich dadurch, dass: Überprüft wird, ob ein closed Knoten geupdated
werden muss und von der closed list entfernt werden soll
Heuristic values in die Datenstruktur integriert werden
Und die smallestElement Methode estimated-total-cost Werte berücksichtigt, statt cost-so-far Werte
Performance von A*
l = Anzahl der Knoten, dessen estimated-total-cost kleiner ist als der des Zielknoten (l sollte generell kleiner sein als n bei Dijkstra)
m = durchschnittliche Anzahl der Verbindungen eines durchlaufenen Knoten
→ O(lm) = Geschwindigkeit von A*, sowie Speicherverbrauch im schlimmsten Fall
Performanceoptimierung durch sortierte Arrays
Bislang wurden Verkettete Listen verwendet, um die Einträge der open list und closed list ungeordnet anzufügen
Dadurch ist die Speicherung der Daten sehr schnell, das Wiederauffinden von Daten mit bestimmten Werten allerdings sehr zeitaufwändig
In pathfinding von Videospielen ist es deutlich zeitsparender die Daten in geordneten Arrays zu speichern, wodurch der Speichervorgang verlangsamt, der Aufruf der Daten allerdings erheblich gesteigert wird
Performanceoptimierung durch sortierte Arrays
Priority Heaps
Bucketed Priority Queues
Wahl der Heuristik
Je genauer die Heuristik ist, desto weniger fill wird produziert und umso schneller läuft der Algorithmus
Bei zu niedriger Heuristik wird die tatsächliche Strecke zum Ziel unterschätzt und es werden mehr Knoten in Startnähe berücksichtigt, wodurch A* langsamer wird (Nullheuristik = Dijikstra)
Bei zu hoher Heuristik wird nach einer Strecke mit möglichst wenig Knoten gesucht, da die cost-so-far vernachlässigt werden. Das Resultat ist dabei selten der kürzeste Weg
→ in Videospielen werden leicht zu niedrige Heuristiken bevorzugt
Heuristiken in Games
Euclidean Distance Cluster Heuristik
Heuristiken in Games
Indoor Level:
Outdoor Level:
World Representations:Tile Graphs
World Representations:Dirichlet Domain
World Representations:Points Of Visibility
World Representations:Navigation Meshes
World Representations:Navigation Meshes
World Representations:Path Smoothing
Vielen Dank für eure Aufmerksamkeit!
top related