Unity AI Navigation

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

地砖图纸：NavMesh 的烘焙原理

商场开业前，总经理不会让每位顾客自己拿尺子去量货架的缝隙。他会请来一位“地砖规划师”，拿着建筑蓝图把整层楼走一遍：哪块地砖平整能踩，哪片货架区必须避开，哪段台阶高得让人望而却步。规划师把这些信息画成一张“可踩地砖总图”，贴在每个入口处。之后，任何顾客都不必再思考“这里能不能走”，只需对照总图找路。Unity 里这张总图，就是 NavMesh（导航网格）——把世界地图提前扫描、计算、归档成一张多边形拼图。

不过，画这张图没那么简单，因为角色是有“体积”的。一个贴墙走的壮汉和一个小孩子，需要的过道宽度完全不同。所以 Unity 在烘焙（Baking）时，会先把所有障碍物的边缘向外“膨胀”一个 Agent Radius（代理半径），相当于在地砖图上给每堵墙圈出一圈“安全警戒线”。半径越大，能走的路就越窄，这就是为什么同一个场景，换一个更胖的角色就要重新烘焙。

在 Unity 中执行烘焙时，引擎会把标记为 Navigation Static 的物体视为障碍物，把地面、斜坡、台阶按照 Max Slope（最大坡度）和 Step Height（最大台阶高度）筛选出真正的“可踩地砖”：

烘焙完成之后，场景视图里会出现一层半透明网格，这就是商场门口贴出的“总图”。请注意，烘焙是离线预计算：营业期间货架不动，地砖图就不用重画；一旦货架挪了位，就得重新请规划师进场测绘一次。

智能顾客：NavMesh Agent 组件

图纸贴好了，可顾客不会读图怎么办？没关系，商场给每位“特殊顾客”发了一个会自动认路的智能小推车——它内置了传感器、转向轮和刹车，你只要告诉它“去三楼收银台”，剩下的全自动。在 Unity 中，这个小推车就是 NavMesh Agent 组件。把一个角色挂上 Agent，它便拥有了“看懂地砖图”的能力：无论你把它丢到绿色网格的哪个角落，它都能沿着网格移动，绝不会走到灰色货架上去。

使用方式极其简单：先给角色 GameObject 添加 NavMeshAgent 组件，然后在代码里调用 SetDestination(Vector3)，Agent 就会自动计算路径并移动。真正让“推车”手感像真人的，是它的运动属性：Speed 决定最快步行速度，Acceleration 决定起步和刹车的平顺感，Angular Speed 决定转弯是否灵活。你不需要自己写逐帧位移逻辑，引擎已帮你封装好。

Agent 的移动不是一个瞬移过程，而是一个速度随时间平滑变化的物理过程。每帧它先按加速度提速，再被最大速度限制住：

有了这套机制，角色从静止到匀速再到刹停，动作就自然得像真人逛街。你还会注意到 Agent 有一个 Stopping Distance（停止距离）参数：它代表当推车距离目标点小于这个值时开始减速停车，避免了“冲到目标脚下再来个急刹车”的尴尬。

找路大脑：A* 与路径多边形

总图有了，车也发动了，可“怎么走”才是真正的智慧。想象你在商场里要去一家网红奶茶店，你心里其实在快速盘算：已经走过的路（不能回头），加上估计还要走多远，两条加起来最小的路线就是最优路线。A*（A-Star）算法干的正是这件事——它是 Unity 寻路的“大脑”，在 NavMesh 的多边形网格上寻找最短路径。

NavMesh 把地砖图抽象成一个个相邻的多边形，角色从一个多边形中心走到另一个多边形中心的代价是已知的，A* 在这个“多边形地图”上展开搜索。它维护一个优先级队列，每次取出“当前总代价最小”的节点向外探索，直到抵达目标。这里的核心是估价函数：

A* 搜索完成后，引擎会得到一条经过多个多边形走廊的路径，再经过拉直和拐角平滑处理，形成 Agent 实际跟随的折线轨迹。到达判定也很简单：当 Agent 的 remainingDistance（剩余距离）小于等于 stoppingDistance 时，它就知道“到了”，自动刹车停止。整个过程中，玩家甚至不需要知道算法细节，就像顾客不需要懂地图学也能逛完整个商场。

灵活绕行：动态障碍与避障

商场难免有意外：保洁阿姨推着清洁车堵住了过道，或者一辆补货小车临时停在电梯口。如果每次移动一个物体都要重新烘焙整张总图，那商场管理员得累死。所以，静态货架和动态障碍物必须分开处理。烘焙完成的 NavMesh 只对“永远不动”的物体负责；而那些会临时出现、移动的物体，Unity 提供了 NavMesh Obstacle 组件。

当一个动态物体挂上 Obstacle 组件并开启 Carve（雕刻）选项后，它就像一把“地砖切割刀”——运行时在导航网格上实时挖掉一块区域，迫使 Agent 绕行。等这个物体移开，被挖掉的地砖又会自动补回来，完全不需要重新烘焙。这正是我们在可视化里看到的情景：灰色货架挡住了路，蓝色主角沿着绿色地砖绕了一个弧线继续前进。

除了躲避静态挖洞，多个 Agent 之间还会互相让路，这叫局部避障（Local Avoidance）。每个 Agent 根据自己和邻居的速度、方向，计算一个不会相撞的安全速度：

需要注意的是，Carve 的实时计算有一定开销，所以不要把成百上千个 Obstacle 都开启 Carve。实际项目中，通常只对少数几个关键可移动物体开启雕刻，其余的交给物理碰撞或局部避障解决，这样商场的“地砖维护系统”才能既灵活又高效。

空中桥梁：Off-Mesh Link 跳跃

商场里并不是所有区域都连着同一层地砖：二楼到三楼要坐扶梯，室内和室外天台之间还有一座天桥。对 NavMesh 来说，这些“断头路”天生无法连通，系统不可能自动知道扶梯在哪里。这时就需要人工搭建一座“空中桥梁”——Off-Mesh Link 组件。

Off-Mesh Link 的工作方式很直观：在场景中放置两个空物体，一个放在桥梁起点，一个放在终点，然后把它俩拖进 Off-Mesh Link 的 Start 和 End 字段。烘焙时，Unity 会在这两个点之间生成一条隐形的“传送走廊”。当 Agent 走到起点附近，它会自动被“吸”进这条走廊，从起点平滑移动到终点——就像顾客踏上自动扶梯，不用自己爬楼梯就完成了楼层切换。

Agent 跨越 Link 时的移动是一个标准的插值过渡：

默认情况下 Off-Mesh Link 是双向的：顾客既能从起点到终点，也能从终点返回起点。如果你只想让它支持单向跳跃，取消勾选 Bidirectional 即可。值得注意的是，Link 只负责“位置转移”，跳跃动画、音效还得自己写触发器来处理——桥梁搭好了，怎么走过去仍是角色自己的事。

多层商场：分层与性能优化

真正的大商场绝不只有一层，楼层之间通过扶梯相连。如果规划师把整栋楼画成一张巨大的总图，不仅烘焙耗时极长，而且只要三楼挪了一个货架，整栋楼的图纸都要重画。聪明的做法是按楼层分别烘焙，再通过 Off-Mesh Link 连接——这就是 Unity 中的分层导航（Area/Layer）思想。

NavMesh 的 Area 可以让不同区域拥有不同“通行代价”：例如“走廊”区域代价低，“泥地”区域代价高，寻路时自动优先走造价低的道路。而 NavMesh Surface 组件则把烘焙从“整场景一次性”变成“按需局部生成”。你可以给每一块室内地板挂一个 Surface，运行时只更新角色附近的小块网格，就像商场哪块地砖松了就只修哪块，不必砸掉整层楼的地面。

多块区域组合起来，就是整个商场的完整路网：

这种分层设计带来了立竿见影的渲染与计算效率提升：大世界不再需要一次性烘焙全部地形，而是随玩家移动流式加载；修改局部场景时，只需重建受影响的那一小块 Surface，其他区域的 Agent 路径完全不受干扰。在优化实践中，还可以通过减少动态 Carve 数量、控制 Agent 数量、使用多线程寻路等手段，让商场里上千名“顾客”同时逛店也不卡顿。

AI 应用场景

Python 演示

import heapq # 1 表示可走地砖, 0 表示障碍物(货架)GRID = [    [1, 1, 1, 1, 1, 1, 1, 1],    [1, 1, 0, 1, 1, 1, 1, 1],    [1, 1, 1, 1, 1, 0, 1, 1],    [1, 0, 1, 1, 1, 1, 1, 1],    [1, 1, 1, 1, 1, 1, 1, 1],] START = (0, 4)  # 起点(左下角)GOAL = (7, 0)   # 终点(右上角)  def neighbors(node):    r, c = node    for dr, dc in ((1, 0), (-1, 0), (0, 1), (0, -1)):        nr, nc = r + dr, c + dc        if 0 <= nr < len(GRID) and 0 <= nc < len(GRID[0]) and GRID[nr][nc] == 1:            yield nr, nc  def manhattan(a, b):    return abs(a[0] - b[0]) + abs(a[1] - b[1])  def astar(start, goal):    frontier = [(0, start)]    came_from = {}    cost_so_far = {start: 0}    while frontier:        _, current = heapq.heappop(frontier)        if current == goal:            break        for nxt in neighbors(current):            new_cost = cost_so_far[current] + 1            if new_cost < cost_so_far.get(nxt, float("inf")):                came_from[nxt] = current                cost_so_far[nxt] = new_cost                heapq.heappush(frontier, (new_cost + manhattan(nxt, goal), nxt))    path = []    node = goal    while node in came_from:        path.append(node)        node = came_from[node]    path.append(start)    return path[::-1]  def show_map(path):    for r, row in enumerate(GRID):        line = ""        for c, cell in enumerate(row):            if (r, c) == path[0]:                line += "S"            elif (r, c) == path[-1]:                line += "G"            elif (r, c) in path:                line += "*"            elif cell == 0:                line += "#"            else:                line += "."        print(line)    print("path:", path)  if __name__ == "__main__":    show_map(astar(START, GOAL))

1. GRID迷你版“地砖图纸”，1 代表绿色可走地砖，0 代表灰色货架障碍物。
2. neighbors(node)返回上下左右四个相邻地砖，相当于检查角色下一步能踩哪几块砖。
3. manhattan(a, b)曼哈顿距离充当 A* 的启发函数 h，它永远不高于实际代价。
4. frontier = [(0, start)]优先级队列，存放待考察的节点，A* 每次取出 f 值最小的节点扩展。
5. new_cost + manhattan(nxt, goal)这就是 f=g+h，把已走代价和未来估计加在一起。
6. came_from[node]记录每个节点是从哪里走来的，最后倒推还原整条路径。
7. show_map(path)把地砖图纸画出来：S 是起点，G 是终点，* 是选中的绿色路径，# 是障碍物。

常见误区

面试题