前两个模块大致讲了讲AI角色的感知和自主决策，决策之后呢？当然就要开始行动了。比如AI角色发现一个目标，并决定去攻击它，但它与目标之间可能还有一段距离，AI角色需要先到达目标点，这就需要AI角色自主寻路了，还有玩家点击地图上的某点，寻路模块需要找到一个最佳路线赶过去。最常用的便是A*寻路了，当然unity自带的Navmesh导航网络也是基于此算法。
A*寻路常用术语：
地图：它是一个空间，定义了场景中相互连接的可行走区域。A*在这个空间内寻找两个点之间的路径。
目标估计：寻路过程中估算代价，显得更智能。
代价：寻路过程中，可能有很多影响因素，包括时间、地形、距离等等，它们都会有不同的代价，我们要做的是寻找到一条代价最小的路径。
节点：节点与地图上的位置相对应，用来记录搜索进度。它存放的有当前节点的位置信息，还有父节点（上一个节点）。每个节点有三个属性值，分别是g,h,f。
g: 起始节点到当前节点的代价
h:从当前节点到目标节点的估计代价(不考虑障碍物）。
f:是经过当前节点这条路径代价的最好估计值，f值越小路径越好。f=g+h
导航图：要进行寻路，需要将游戏环境用一个图表示出来，最重要的有三种格式：基于单元的导航图、可视点导航图、导航网络。
三种导航图的建立以及优缺点：
基于单元的导航图：将游戏地图划分为多个正方形单元或六边形单元组成的规格网络，网格点或网格中心点可以看作节点。
优势：结构简单，易于动态更新，动态增加建筑物或障碍物，所以常用在塔防游戏等频繁更新场景的游戏中。
缺点：节点太多，消耗内存，RTS游戏寻路物体多时会消耗大量CPU,对于复杂地形效果不佳。
创建可视点导航图：场景设计者在场景中放置一些路径点，如果两点之间没有障碍物，说明两点之间可以“看见”，可以用一条线段把两个点连接起来，生成边，很多这样的边就可以组成导航网络。
优势：灵活，场景设计者可以精心选择，对于复杂地形会有比较好的效果。
缺点：场景很大时，手工放置工作量大且易出错；由于AI角色是沿着“边”走，可能不是最佳路线，会走“Z"字形路线。而且如果路径点之间是悬崖时，它可能会跌落悬崖。
导航网络：它将游戏场景可行走区域划分为凸多边形，每个凸多边形代表一个节点，代价可以把多边形的质心之间的线段长度。
优势：可以进行精确的点到点的移动，由于凸多边形面积可以任意大，所以占用的内存小，搜索速度很快。
缺点：生成导航网络（烘培）时间较长，特别是地形复杂且多的地图。虽然unity添加了动态避障的功能，但每次都得重新烘培一次，所以多用于静态场景中。
————————————————————————————————————————————————————
A*寻路算法是如何工作的？
A*算法使用两个状态表来存储不同的节点，分别是Open表，由待考察的节点组成。Closed表由已经考察过的节点（算法检查过与它相邻的所有节点，计算出它们之间的f,g,h值，并放入Open表中待考察）组成。 开始时，Closed表为空，Open表只包括起始节点。每次迭代中，将Open表中代价最小的点取出来检查，如果不是目标节点，那么考虑该节点的相邻节点，对相邻节点做如下处理：
1. 不在Open表和Closed表中，则加入Open表中。
2. 已经在Open表中，且新路径具有更低代价，更新它的信息。
3. 在closed表中，检查新路径是否有更低的代价，是的话将其加入Open表中，否则忽略。
重复上述步骤，直到达到目标点，如果到达目标点之前,open表已经变空，说明没有可达路径。
A*算法实现战术寻路：
很多时候，最短路径并不是最好的选择，一些情况下，我们希望AI角色更聪明灵活，需要用到战术寻路。怎么实现呢？我们需要给一些区域赋予不同的代价值，比如高危区域代价加100，普通危险区域代价加50，安全区域代价不变。A*就会尽量避免这些高代价区域。
A* Pathfinding Project插件：大佬贡献的插件，可以修改代码，当你彷徨无措是总会有大佬把饭端到你嘴边。感谢！这里不多介绍这个插件了。