探索未来游戏AI:PatrolJS - 导航网格工具包
注意:此项目已废弃,请转至three-pathfinding
在游戏和三维应用中,让AI角色自如地在世界中导航是一项挑战。传统方式如使用路点导航存在诸多问题,而PatrolJS,一个基于ThreeJS的导航网格工具包,提供了更高效、准确且考虑了AI实体大小的解决方案。
项目简介
PatrolJS是一个用于ThreeJS的导航网格工具,它利用A*算法和Funnel算法来计算导航网格上的路径。通过这种方式,AI代理可以更自然地避开障碍物并进行复杂的动态移动。这个库不仅适用于客户端,也可以在服务器端使用,并依赖于ThreeJS和Underscore库。
演示与实例
你可以访问演示页面,体验PatrolJS的强大功能。此外,它还被应用于Ironbane MMO中,观看此处视频了解其实际效果。

安装与使用
要使用PatrolJS,首先你需要ThreeJS和Underscore库。在客户端,这两个库应全局可用。在服务器端,通过npm install patroljs安装后,使用require('patroljs')导入。
导航网格的构建需要通过Blender等工具完成,然后将数据转换为ThreeJS的JSON格式。PatrolJS仅接受原始JSON模型数据,加载文件需自行处理。
要加载导航网格,首先调用patrol.buildNodes(geometry)生成节点,接着使用patrol.setZoneData('level', zoneNodes)存储数据。当需要计算路径时,使用patrol.findPath()函数,传入起始位置、目标位置以及当前所在的导航网格组。
jsonLoader.load( 'meshes/level.nav.js', function( geometry, materials ) {
var zoneNodes = patrol.buildNodes(geometry);
patrol.setZoneData('level', zoneNodes);
// 设置玩家的导航网格组
playerNavMeshGroup = patrol.getGroup('level', player.position);
}, null);
// 计算路径
calculatedPath = patrol.findPath(player.position, target.position, 'level', playerNavMeshGroup);
应用场景与特点
PatrolJS主要用于游戏和三维应用程序,帮助开发者创建智能的AI角色,使它们能够在复杂环境中自由移动。特别适合大规模、开放世界的场景,例如沙盒式游戏或模拟环境。
该项目的主要特点是:
- 兼容性:与ThreeJS无缝集成,支持客户端和服务器端。
- 灵活性:允许自定义导航网格,适应不同游戏设计需求。
- 效率:采用A*和Funnel算法,提供快速且精确的路径规划。
- 易用性:简单的API设计,易于理解和实现路径规划功能。
感谢bgrin的A*库、Digesting Duck的简单愚蠢通道算法以及Recastnavigation的级别网格的贡献。
最后,PatrolJS遵循MIT许可,鼓励开发者参与和改进。
如果你正在寻找一种更好的方法来提升你的游戏AI导航性能,那么PatrolJS值得一看!
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00