机器之心原创

2020/05/14 16:31

来自次世代的暴击：虚幻引擎5首亮相，游戏实时渲染媲美影视级作品

脱离硬件的绑定？Epic Games 公司推出虚幻引擎 5，看 Demo 视频可谓是次世代的游戏画面, 超出现有游戏画面一个档次。

虚幻引擎（Unreal Engine）是一款由 Epic Games 开发的游戏引擎。该引擎主要是为了开发第一人称射击游戏而设计，但现在已经被成功地应用于开发潜行类游戏、格斗游戏、角色扮演游戏等多种不同类型的游戏。

虚幻引擎 5 首次亮相

开发团队对下一个时代的愿景之一是，让实时渲染能够媲美电影 CG 和真实世界，并通过高效的工具和内容库，让不同规模的开发团队都能实现这一目标。

Unreal Engine 团队今日发布了视频「Lumen in the Land of Nanite」，这是一个在 PlayStation5 上实时运行的 demo 视频：

游戏角色出现。

这个 demo 展示了虚幻引擎 5 的两大全新核心技术：

Nanite：创造丰富几何细节

团队表示，为了解决「真正的虚拟化几何体」（Truly virtualized geometry）问题，团队开发了新技术「Nanite」。

Nanite 虚拟微多边形几何体可以让美术师们创建出人眼所能看到的一切几何体的细节。使用者可以将影视级资源直接导入至引擎内，不管是来自 ZBrush 的雕塑还是用摄影测量法扫描的 CAD 数据，都可被直接导入。

Nanite 几何体可以被实时流送和缩放，有了它技术人员无需纠结多边形数量预算、多边形内存预算和绘制次数预算了。甚至也不需要再将细节烘焙到法线贴图或手动编辑 LOD，画面质量也不会有丝毫的损失。

石头细节。

上图中大部分模型是用 Quixel 的 Megascan 资源构成的。值得注意的是，所使用的资源并不是游戏版本里的，而是普通电影影视版本里的资源，平均每个资源拥有一百万个三角面，同时用的也都是 8K 纹理。

Nanite 技术可以展示像素级别的细节。

每一帧里的原始几何体三角面都超过 10 亿，而 Nanite 能够进行快速渲染，将其无损压缩为 2000 万个绘制三角面。上图展示了颜色各异的三角形。

Lumen：全动态全局光照解决方案

Lumen 是一个全动态全局光照解决方案，能够对场景和光照变化做出实时反应，而且不需要专门的光线追踪硬件。

据该团队介绍，该系统能够在宏大而精细的场景中渲染间接镜面反射和可以无限反弹的漫反射，小到毫米级，大到千米级，Lumen 都能处理。美术师和设计师可以使用 Lumen 创建出更动态的场景，例如，改变白天的光照角度，打开手电，或者在天花板上开个洞，系统会根据情况调整间接光照。

该解决方案为美术师省下大量时间，美术师无需因为在虚幻编辑器中移动了光源而等待光照贴图烘焙完成，也无需再编辑光照贴图 UV。同时光照效果也将和在主机上运行游戏时保持完全一致。

光照变化。

如上图所示，在使用 Lumen 的解决方案中，没有光照贴图同时也无需烘焙的情况下，整个场景包含了多次反弹的全局光照。也就是说，只要移动光源，光线反弹效果就会随之发生实时变化。

Niagara 特效系统创建的蝙蝠。

Niagara 是团队所开发特效系统，系统中的粒子可以进行互相通信写作，对周围环境的感知能力也大幅度提升。

加入大量新功能进行流体模拟。

该 demo 还展示了现有的引擎功能，包括 Chaos 物理与破坏系统、Niagara VFX、卷积混响和环境立体声渲染。

利用 Chaos 物理系统来精确模拟落石的刚体。

增加了预测性脚步落位和运动变形功能，使动作看起来更自然。

Lumen 系统对移动中的光源做出反应，还能适应几何体变化。

虚幻引擎 5 将在 2021 年初发布预览版，2021 年底发布完整版，支持次世代主机和现世代主机、PC、Mac、iOS 和 Android 平台。

开发者正在设计向前兼容的功能，以便用户在 UE4 上开发次世代游戏开发，然后再将项目迁移到 UE5。

AI + 游戏的美妙结合

游戏制作与计算机图形学、人工智能关联甚大。为了实现好的游戏体验，游戏制作公司也是煞费苦心。例如，用机器学习技术做图像处理、利用卷积神经网络增强角色动画的真实性、在游戏制作的多个环节中使用 AI 以提升效率等等。

《虚幻引擎》即开发了专门的 AI 系统，以便在项目中创建高可信度的 AI 实体。

目前虚幻引擎 5 还没发布，我们先来看虚幻引擎 4 中的 AI 系统。根据官网介绍，虚幻引擎 4 中的 AI 系统有以下作用：

用户可以同时使用多个系统，在虚幻引擎 4（UE4）项目中创建角色或其他实体的 AI。在项目中创建高可信度 AI 时，从分支为不同决策或行动的行为树，到通过环境查询系统（EQS）运行查询来获得环境信息，再到使用 AI 感知（AI Perception）系统获取感官信息（如视觉、声音或伤害信息），所有这些系统都发挥着关键作用。此外，这些工具都可以通过 AI 调试（AI Debugging）工具进行调试，帮助用户了解 AI 在特定时间的思维和行为。

在 UE4 中打造 AI 和使用这些系统时，构建 AI 的思路如下：行为树处理决策进程，AI 感知系统将源自环境的刺激（例如感官信息）传输到行为树，然后 EQS 处理关于环境本身的查询。

AI 行为树

虚幻引擎 4 中怪物 AI 的控制都是通过行为树（UBehaviorTree）实现的。UE4 中的行为树是基于事件驱动的，所以不需要像 Tick 事件那样逐帧检测。

行为树相当于 AI 的大脑，黑板 (UBlackboardData) 相当于大脑的记忆。行为树的运行规则便是不断地从黑板中取/存数据，然后在行为树中加工，而行为树中的分支节点 (Composites)、服务 (Service)、装饰器 (Decotator) 相当于大脑中的神经末梢节点，可以不断地进行检测、判断，以及对记忆做出修改。

下面展示了一个行为树的示例，该行为树中的 AI 角色会在巡逻和追逐玩家之间切换。

场景查询系统

场景查询系统（EQS）用于收集场景相关的数据。EQS 可以通过不同种类的测试就收集的数据提问，然后返回符合所提问题类型的最佳项（Item）。

我们可以从行为树中调用 EQS 查询，并根据测试的结果将其用于后续操作决策。EQS 查询主要由生成器节点（用于生成将被测试及加权的位置或 Actor）和情境节点（被用作各种测试和生成器引用的框架）组成。

EQS 的使用范例包括：找到最近的回复剂或弹药、判断出威胁最大的敌人，或者找到能看到玩家的视线等。

AI 感知

除可用于决定所执行逻辑的行为树，以及用于获取环境信息的场景查询系统（EQS）之外，虚幻引擎 4 中的 AI 框架中还有一个为 AI 提供感官数据的工具：AI 感知系统（AI Perception System）。

该系统为 Pawn 提供了一种从环境中接收数据的方式，例如噪音来源、AI 是否遭到破坏或 AI 是否看到了什么。整个过程通过 AI 感知组件（AI Perception Component）来完成。

该组件相当于刺激监听器，可收集已注册的刺激源。刺激源被注册后将调用 On Perception Updated（或用于目标选择的 On Target Perception Updated）事件，用户可以使用该事件来启动新的蓝图脚本和（或）对验证行为树分支的变量进行更新。

用户可以 AI 感知组件中配置感官类型，如「AI 伤害」、「AI 听觉」、「AI 视觉」、「AI 触觉」等等。

AI 调试

创建 AI 实体后，用户可以使用 AI 调试工具进行问题诊断，或查看 AI 在任何特定时刻的行为。启用后，用户即可在同一集中位置循环查看行为树、环境查询系统（EQS）和 AI 感知系统。

在游戏运行时按下撇号（'）键即可启用 AI 调试。

工程游戏AI计算机图形学

相关数据

计算机图形技术

图像数据处理、计算机图像（英语：Computer Graphics）是指用计算机所创造的图形。更具体的说，就是在计算机上用专门的软件和硬件用来表现和控制图像数据。

来源：维基百科

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

感知技术

知觉或感知是外界刺激作用于感官时，脑对外界的整体的看法和理解，为我们对外界的感官信息进行组织和解释。在认知科学中，也可看作一组程序，包括获取信息、理解信息、筛选信息、组织信息。与感觉不同，知觉反映的是由对象的各样属性及关系构成的整体。

来源：维基百科

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

光线追踪技术

在计算机图形学中，光线跟踪是一种渲染技术，用于通过将光的路径跟踪为图像平面中的像素并模拟虚拟对象对光线的接收效果来生成图像。该技术能够产生非常高的视觉真实感，通常高于典型扫描线渲染方法，但计算成本更高。

来源：维基百科

卷积神经网络技术

卷积神经网路（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层（对应经典的神经网路）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路，卷积神经网路需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据，它可以被认为是以一定时间间隔采样的一维网格，又如图像数据，其可以被认为是二维像素网格。

来源：Goodfellow, I.; Bengio Y.; Courville A. (2016). Deep Learning. MIT Press.维基百科

逻辑技术

人工智能领域用逻辑来理解智能推理问题；它可以提供用于分析编程语言的技术，也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑（Propositional Logic ）以及一阶逻辑（FOL）等谓词逻辑。

来源：机器之心

噪音技术

噪音是一个随机误差或观测变量的方差。在拟合数据的过程中，我们常见的公式$y=f(x)+\epsilon$中$\epsilon$即为噪音。数据通常包含噪音，错误，例外或不确定性，或者不完整。错误和噪音可能会混淆数据挖掘过程，从而导致错误模式的衍生。去除噪音是数据挖掘（data mining）或知识发现（Knowledge Discovery in Database，KDD）的一个重要步骤。

来源：Han J.; Kamber M.; Pei J. (2011). Data mining: concepts and techniques. Morgan Kaufman.

图像处理技术

图像处理是指对图像进行分析、加工和处理，使其满足视觉、心理或其他要求的技术。图像处理是信号处理在图像领域上的一个应用。目前大多数的图像均是以数字形式存储，因而图像处理很多情况下指数字图像处理。

来源：维基百科

查询技术

一般来说，查询是询问的一种形式。它在不同的学科里涵义有所不同。在信息检索领域，查询指的是数据库和信息系统对信息检索的精确要求

来源：Wikipedia

合合信息机构

http://www.zhaodao.info