Téléchargement aitoolkit - Téléchargement du code source aitoolkit

Boîte à outils AI

AI Toolkit est une bibliothèque C ++ en tête uniquement qui fournit des outils pour construire le cerveau des PNJ de votre jeu.

Il fournit:

Machines d'État finies
Arbre comportemental
AI utilitaire
Planification d'action axée sur l'objectif

Pourquoi ce projet? Eh bien, j'ai écrit à ce sujet ici.

Installation

Ajoutez le dossier include de ce référentiel à vos chemins d'inclusion.

Ou ajoutez-le en sous-module:

 $ git submodule add https://github.com/linkdd/aitoolkit.git
$ g++ -std=c++23 -Iaitoolkit/include main.cpp -o mygame

NB: Cette bibliothèque est compatible avec C ++ 20.

Ou en utilisant Shipp, ajoutez-le à vos dépendances:

{
  "name" : " myproject " ,
  "version" : " 0.1.0 " ,
  "dependencies" : [
    {
      "name" : " aitoolkit " ,
      "url" : " https://github.com/linkdd/aitoolkit.git " ,
      "version" : " v0.5.1 "
    }
  ]
}

Usage

Machine d'état finie

Tout d'abord, incluez l'en-tête:

# include < aitoolkit/fsm.hpp >

using namespace aitoolkit ::fsm ;

Ensuite, créez votre type de tableau noir:

 struct blackboard_type {
  // ...
};

Ensuite, créez un type d'état pour chacun de vos États:

 class state_dummy final : public state<blackboard_type> {
  public:
    virtual void enter (blackboard_type& blackboard) override {
      // ...
    }

    virtual void exit (blackboard_type& blackboard) override {
      // ...
    }

    virtual void pause (blackboard_type& blackboard) override {
      // ...
    }

    virtual void resume (blackboard_type& blackboard) override {
      // ...
    }

    virtual void update (blackboard_type& blackboard) override {
      // ...
    }
};

Créez votre machine d'état simple:

 auto simple_bb = blackboard_type{};
auto simple_fsm = simple_machine<blackboard_type>();

simple_fsm.set_state(state_dummy{}, simple_bb);
simple_fsm.pause(simple_bb);
simple_fsm.resume(simple_bb);
simple_fsm.update(simple_bb);

Ou avec une machine à état de pile:

 auto stack_bb = blackboard_type{};
auto stack_fsm = stack_machine<blackboard_type>{};

stack_fsm.push_state(state_dummy{}, stack_bb);
stack_fsm.push_state(state_dummy{}, stack_bb);

stack_fsm.update(stack_bb);

stack_fsm.pop_state(stack_bb);
stack_fsm.pop_state(stack_bb);

Arbre comportemental

Tout d'abord, incluez l'en-tête:

# include < aitoolkit/behtree.hpp >

using namespace aitoolkit ::bt ;

Ensuite, créez votre type de tableau noir:

 struct blackboard_type {
  // ...
};

Ensuite, créez votre arbre:

 auto tree = seq<blackboard_type>(
  node_list<blackboard_type>(
    check<blackboard_type>([]( const blackboard_type& bb) {
      // check some condition
      return true ;
    }),
    task<blackboard_type>([](blackboard_type& bb) {
      // perform some action
      return execution_state::success;
    })
  )
);

Enfin, évaluez-le:

 auto blackboard = blackboard_type{
  // ...
};

auto state = tree.evaluate(blackboard);

Pour plus d'informations, consultez la documentation.

AI utilitaire

Tout d'abord, incluez le fichier d'en-tête:

# include < aitoolkit/utility.hpp >

using namespace aitoolkit ::utility ;

Ensuite, créez un type de tableau noir:

 struct blackboard_type {
  int food{ 0 };
  int wood{ 0 };
  int stone{ 0 };
  int gold{ 0 };
};

Ensuite, créez une classe pour chaque action que vous souhaitez pouvoir effectuer:

 class collect_food final : public action<blackboard_type> {
  public:
    virtual float score ( const blackboard_type& blackboard) const override {
      return 50 . 0f ;
    }

    virtual void apply (blackboard_type& blackboard) const override {
      blackboard. food += 1 ;
    }
};

class collect_wood final : public action<blackboard_type> {
  public:
    virtual float score ( const blackboard_type& blackboard) const override {
      return 150 . 0f ;
    }

    virtual void apply (blackboard_type& blackboard) const override {
      blackboard. wood += 1 ;
    }
};

class collect_stone final : public action<blackboard_type> {
  public:
    virtual float score ( const blackboard_type& blackboard) const override {
      return - 10 . 0f ;
    }

    virtual void apply (blackboard_type& blackboard) const override {
      blackboard. stone += 1 ;
    }
};

class collect_gold final : public action<blackboard_type> {
  public:
    virtual float score ( const blackboard_type& blackboard) const override {
      return 75 . 0f ;
    }

    virtual void apply (blackboard_type& blackboard) const override {
      blackboard. gold += 1 ;
    }
};

Enfin, créez un évaluateur et exécutez-le:

 auto evaluator = evaluator<blackboard_type>(
  action_list<blackboard_type>(
    collect_food{},
    collect_wood{},
    collect_stone{},
    collect_gold{}
  )
);

auto blackboard = blackboard_type{};
evaluator.run(blackboard);

Planification d'action axée sur l'objectif

Tout d'abord, incluez le fichier d'en-tête:

# include < aitoolkit/goap.hpp >

using namespace aitoolkit ::goap ;

Ensuite, créez une classe Blackboard qui tiendra l'état du planificateur:

 struct blackboard_type {
  bool has_axe{ false };
  int wood{ 0 };
};

NB: Le tableau noir doit être comparable ( a == b ) et hashable.

Ensuite, créez une classe pour chaque action que vous souhaitez pouvoir effectuer:

 class get_axe final : public action<blackboard_type> {
  public:
    virtual float cost ( const blackboard_type& blackboard) const override {
      return 1 . 0f ;
    }

    virtual bool check_preconditions ( const blackboard_type& blackboard) const override {
      return !blackboard. has_axe ;
    }

    virtual void apply_effects (blackboard_type& blackboard, bool dry_run) const override {
      blackboard. has_axe = true ;
    }
};

class chop_tree final : public action<blackboard_type> {
  public:
    virtual float cost ( const blackboard_type& blackboard) const override {
      return 1 . 0f ;
    }

    virtual bool check_preconditions ( const blackboard_type& blackboard) const override {
      return blackboard. has_axe ;
    }

    virtual void apply_effects (blackboard_type& blackboard, bool dry_run) const override {
      blackboard. wood += 1 ;
    }
};

Enfin, créez un plan et exécutez-le:

 auto initial = blackboard_type{};
auto goal = blackboard_type{
  . has_axe = true ,
  . wood = 3
};

auto p = planner<blackboard_type>(
  action_list<blackboard_type>(
    get_axe{},
    chop_tree{}
  ),
  initial,
  goal
);

auto blackboard = initial;
while (p) {
  p. run_next (blackboard); // will mutate the blackboard
}