上次我们说到，游戏中的运动系统一般有两种方式，“动画配合运动”以及“运动配合动画”。对于第一种方式，由于是采用运动函数或者经验数据表，所以可以很简单的将“未来时间”带入其中，来预测未来某一时刻的运动结果。但对于第二种情况，因为所有的运动结果都是从动画中取得的，如果不知道动画信息，就无法知道相应的运动结果，所以，简单的将时间带入是不能作出预测的，对于这样的情况，如果我们要做预测的话，就不得不将动画的因素考虑在里面。
举个简单的例子，一个人做一个跑动中转身停下的行为，假设他当前时刻T1，处于A1位置，速度是V1，朝向是F1（假设和速度方向一致），他的目标状态是速度是0（没有速度），朝向是F2，位置不指定。这时当我们给出未来时间T2，应该怎样来做这个运动预测呢？
和第一种运动系统不同的是，这里我们需要一个额外的模块，称之为“动画选择模块”。在我们实际要去完成这个运动目标的时候，我们会用“动画选择模块”去选出每一步的动画，比如最直观就是“直线跑”，然后会产生一个“急停”使速度从V1到0，最后是“原地转身”使朝向从F1到F2，当这些动画做完后，我们就可以得到这个人最终的“目标位置”。由于是运动配合动画的，所以对于他的最终位置，我们完全是靠这些动画实际的运行结果而得到的。
当我们要做预测的时候，显然我们也是需要用“动画选择模块”做预先的动画预测的，所以，在设计可预测的运动系统的时候，就需要将“动画选择模块”独立出来。如下图所示：
动画选择模块的输入是“当前状态”和“目标状态”，输出是一个动画的序列，这就有点像以前我们讨论过的“计划器”（Planner），相当于为我们的运动做了一个计划（对于这样的计划器的实现，就不在这次的讨论中了）。有了这样的计划后，当我们将时间T2带入，就可以通过读取动画信息的方式来获得T2时刻的运动信息了，见下图，AT指动画的时间（Animation Duration）
对于给定的“当前状态”和“目标状态”，都会有一组动画序列与之对应，所以如果是基于目前的运动状态所作的预测，那我们可以重用我们已有的动画序列来提高效率。如果是对于假想的运动状态的预测，那我们就需要用“动画选择模块”重新做一个新的动画序列，然后再得出未来时间的运动状态，这也是为什么我们需要独立的“动画选择模块”的原因，但如果频繁做较长步骤的假想预测，可能会产生一些性能上的问题，这是需要注意的地方，当然，这也取决于“动画选择模块”实现的复杂度和动画的丰富程度，比如在上个例子中，如果我们有一个“急停转身”的动画，那我们就可以减少动画序列的个数，也就是减少了计划的步长了。
另外，在实践中，我们会采用两种运动方式混用的情况，比如对于“直线跑”，我们会用运动函数来实现，而对于“转身”，“急停”这样的行为，我们会采用第二种方式来实现，对于这样的运动系统，也可以用到这样的“计划器”，只是这个计划中的某一步换用函数方式罢了，对于上面例子，我们可以参考下图：
除了预测未来时间的运动状态外，可能我们还会预测到达某一个状态所要用到的时间，当我们有了上面的系统后，这也会非常容易做到，比如上面的例子，如果我们要预测他到“目标状态”需要多少时间，那我们只需要把动画序列中每一个动画的时间求和就可以了，T = T1 + AT(Run) + AT(Scram) + AT(Turn)。
可预测的运动系统对于某些游戏可能是一个非常重要的系统，希望上面的讨论对大家有所帮助。
————————————————————————
作者：Finney
Blog：AI分享站(http://www.aisharing.com/)
Email：finneytang@gmail.com
本文欢迎转载和引用，请保留本说明并注明出处
————————————————————————