基于组合潜在场的隐身游戏中的通用守卫AI

守卫巡逻行为是隐身游戏中沉浸感和战略深度的核心，而大多数现有系统依赖手工制作的路线或专用逻辑，难以在覆盖效率和响应式追逐之间保持可信的自然性。我们提出了一个通用、完全可解释、无需训练的框架，通过组合潜在场将全局知识和局部信息集成，结合三个可解释地图-信息、置信度和连接性-为单一的kernel过滤决策准则。我们的方法具有参数化、由设计师驱动的特性，仅需少量的衰减和权重参数-无需重新训练-即可在occupancy-grid和NavMesh-partition抽象之间平滑适应。我们在五个代表性游戏地图、两个玩家控制策略和五种守卫模式上进行评估，证明该方法在捕获效率和巡逻自然性方面均优于经典基线方法。最后，我们表明常见的隐身机制-分心和环境元素-自然地集成到我们的框架中作为子模块，实现对丰富、动态和响应式守卫行为的快速原型设计。