我正在尝试制作一个AI伙伴，它会跟随玩家（由你控制）移动，目前它可以工作，但当我添加碰撞检测后，当伙伴碰到障碍物时效果就不太好了。我只是想知道有什么最好的方法（比如A*算法的实现）来让AI的移动更加平滑并避免障碍物？这是我当前的伙伴类中的更新方法：
public void update() { setBounds(getX(), getY(), getWidth(), getHeight()); float xDiff = Math.abs(player.getX() - getX()); float yDiff = Math.abs(player.getY() - getY()); if (player.getX() > getX() && xDiff > buddyDistance) { setX(getX()+speed); } else if (player.getX() < getX() && xDiff > buddyDistance) { setX(getX()-speed); } if (player.getY() > getY() && yDiff > buddyDistance) { setY(getY()+speed); } else if (player.getY() < getY() && yDiff > buddyDistance) { setY(getY()-speed); }}回答：
一个易于实现且可能有效的解决方案是使用势场方法，这取决于你的障碍物类型。
这个想法很简单：玩家就像一个磁铁，吸引伙伴靠近自己。同时，障碍物会排斥伙伴，使其避开它们。
我将首先使用向量来解释，而不是Java，以便更易读。
假设b是伙伴的位置，p是玩家的位置，o_1, ... o_k是你的障碍物位置。
b, p, o_1, ..., o_k每个都是具有x和y坐标的二维向量。
那么向量(p-b)是从伙伴指向玩家的向量。我们还需要向量(b-o_i)，它是从障碍物i指向伙伴的向量。此外，我们不直接使用向量(p-b)和(b-o_i)，而是先对它们进行归一化处理。
然后，normalized(p-b)就是我们吸引伙伴到玩家所需的全部内容。
为了使伙伴远离障碍物，我们希望当伙伴靠近障碍物时排斥力强，当远离时排斥力小（甚至为零）。因此，一个明显的选择是用1/|b-o_i|来缩放我们想要的方向，即normalized(b-o_i)，其中|.|表示向量的范数。
现在，我们可以简单地混合所有这些“磁力”如下：
w = normalized(p-b) + normalized(b-o_1)/|b-o_1| + ... + normalized(b-o_l)/|b-o_k|这个向量w通常指向玩家，但每当伙伴靠近障碍物时，它就会被排斥，这正是你想要的效果。
但是，我们如何确保伙伴以正确的速度移动呢？这很简单。我们归一化w，然后按速度缩放。也就是说，我们的最终速度向量是v = speed*w/|w|
这可以很容易地添加到你的代码中：
public void update() { setBounds(getX(), getY(), getWidth(), getHeight()); //我保留了你的代码中的这一行，但实际上我不知道它做什么 float dx = player.getX() - getX(); //注意：我删除了abs float dy = player.getY() - getY(); float norm = Math.sqrt(dx*dx + dy*dy); //归一化： float wx = dx/norm; float wy = dy/norm; for (obstacle o : obstacles) { //假设obstacles是一个包含障碍物类实例的可迭代数据结构 //注意，只需迭代附近的障碍物即可 dx = getX() - o.getX(); dy = getY() - o.getY(); norm = Math.sqrt(dx*dx + dy*dy); //归一化： float ox = dx/norm; float oy = dy/norm; //添加缩放以获得我们想要的排斥力 wx += ox/norm; wy += oy/norm; } float norm_of_w = Math.sqrt(wx*wx + wy*wy); float vx = speed * wx / norm_of_w; float vy = speed * wy / norm_of_w; setX(getX() + vx); setY(getY() + vy);}不幸的是，有几点需要考虑：
- 不同类型的排斥可能比1/|b-o_i|更有效，例如1/|b-o_i|^2。
- 尝试调整力的大小可能会有所帮助，例如尝试
c*(b-o_i)/|b-o_i|，使用不同值的c（即ox = c*dx/norm;等等）。如果c太小，伙伴会一定程度上移动到障碍物中，如果c非常大，伙伴在离障碍物较远时就会开始避开它们。对于不同大小的障碍物使用不同的c值可能会得到更好的结果。 - 如果障碍物是圆形形状并且两个障碍物之间有足够的空间，避开障碍物效果最佳。否则，伙伴可能会陷入局部最优，玩家需要通过移动到一个可以将伙伴从局部最优中拉出来的位置来“救援”他。
- 如果障碍物不是圆形而是大型多边形，你可以尝试使用非常大的排斥力来覆盖多边形的大部分（即对于这种类型的障碍物使用非常大的
c）。优点是伙伴可以避开障碍物，但不幸的是，如果你想让它靠近障碍物，它会因为强烈的排斥而拒绝靠近。 - 重要的是要记住，当伙伴和障碍物靠近时，
1/|b-o_i|会很大。如果它们在同一位置，你的程序会尝试除以零。你可能需要检查这种情况并避免它。
这就是全部内容，但值得注意的是，通常在使用势场时，目标使用负电荷，障碍物使用正电荷，即
w = -|p-b| + 1/|b-o_1| + ... + 1/|b-o_k|请注意，这里w只是一个标量而不是向量。然后，应用梯度下降法向目标移动。这意味着计算w相对于b.x、b.y的梯度。这个梯度然后指向到达玩家的方向，同时避开障碍物。这是一个比我提出的方法更好的方法，但需要更多的数学知识。你可以尝试或询问这是否是你想要的。
如果障碍物形状任意且局部最小值对你来说不可接受，最可能的最佳答案是使用Delaunay三角剖分结合漏斗算法。你可以在https://www.aaai.org/Papers/AAAI/2006/AAAI06-148.pdf中阅读更多相关信息
但我假设你更喜欢易于实现的东西。
