模拟鸟群行走或人群行走过程的称之为群组行为
分散 、队列 、 聚集
分散：在群体内，个体必须与其他个体之间保持一定的距离，当小于那个距离时，就要分散开来。
实现原理：确定需要分散的范围separationDistance,获取在该范围内的个体，计算出当前个体与（当前个体的周围个体）的相反作用力的合力，即 合力 += (当前个体位置-其他个体位置);
但是，由于我们是想要当前个体位置与其他个体位置的距离越小，产生的相反作用力越大，所以 相反作用力= (当前个体位置 -其他个体位置).normalized / (当前个体位置-其他个体位置）.magnitude ，这样就能够距离越小，产生的相反作用力越大，反之越小。
相反作用力的总体意思就是 当前个体位置-其他个体位置，即得到一个 其他个体位置 指向 当前个体位置的 三维向量
这个相加之后的力就是分散合力,至于我上面说的当距离越小，作用力越大是根据实际需求来决定的。
这样，我们得到了一个分散合力
队列：在群体内，个体的朝向必须保持与队列朝向一致
实现原理：
队列朝向的获取：队列指的是 当前个体的周围的个体的平均朝向，那么我们一样根据上面的相同的原理获取到周围个体，然后周围个体的朝向就是transform.forward 将这些周围个体朝向 全部相加起来，再求平均，即得到了队列朝向。
而我们想要的目的是 将当前朝向 逐渐 朝向 队列朝向。那么我们需要加一个力，这个力叫队列趋向力
我们将队列朝向向量-当前个体朝向向量，当前个体朝向向量是transform.forward,这样获取到一个队列趋向力，为什么会要这样算？因为队列朝向向量-当前个体朝向向量是根据物理上的四边形原则，即合力、分力的一个原理来得出的。如果我们只是将队列朝向向量当做队列趋向力的话，这样变化幅度很小，而我们直接计算出一个能够让当前个体受力变为队列朝向的分力，变化幅度就很大。若还是不理解的话，可以看下物理的合力、分力的解释以及四边形原则，在这里 队列朝向就是合力，当前个体原本的受力和队列趋向力都是分力，2个分力合起来就是一个合力，即 当前个体原本的受力(当前朝向向量）+队列趋向力 = 队列朝向向量 ，这样我们也能推导出： 队列趋向力=队列朝向向量-当前朝向向量。
这样，我们就得到了一个队列趋向力
聚集：与分散相反原理。
我们在分散不发生的情况下才产生聚集，一样地获取周围个体，但是我们不是计算出聚集合力什么的，而是计算出周围个体的中心点，中心点计算方法：周围个体的位置之和/周围个体数量
然后，中心点-当前个体位置=当前个体位置 朝向 中心点 的向量，然后这个向量就是我们的聚集力
如果对聚集力的大小有点不满意的话，推荐：将聚集力的大小设置为当前速度的大小
经过以上说明，我们得到了三个力：分散合力、队列趋向力、聚集力，这三个力都可以分别设置一个权重，来调整它们的影响，加权重的意思就是给力乘以一个值
然后，我们将这三个力相加得到了一个 最终合力,我们是用这个最终合力来影响当前物体的
根据牛顿第二定律:F=ma , 故 a= F/m (F是最终合力，a是加速度(m/s^2) m是质量(kg) )
所以，在Update里面我们可以通过这个公式计算出 最终合力对物体产生的加速度a
当前速度+=a*Time.deltaTime 这样处理加速度对当前速度的影响，当前速度是一个三维向量
我们通过使用Quaternion.Slerp来逐渐旋转当前个体的朝向，面向当前速度的朝向
移动的话可以用Translate 直接朝向当前个体的前方forward来移动，速度大小为当前速度大小
FSM有限状态机：
个人理解：FSM就是一个控制状态切换的集中处理器，用一个FSMSystem管理着所有FSMState,每个FSMState（状态）都有它自身对应的转换事件（可有多个）(Transition(枚举))。
FSM根据传递进来的Transition信息，将当前状态转换为其它状态，这个转换成功条件必须是：当前状态中存在该转换事件Transition,并且转换事件对应的状态ID存在于FSM管理器中，这样才会发生转换。
每次转换时，都会触发（当前状态离开事件）和（转换后的当前状态进入事件），每个状态都有进入事件和离开事件。
注意：当前状态必须存在转换条件，并且该转换条件对应的状态必须存在于FSM管理器中！
例如：StartState、RunState、EndState 三个状态存在于FSM管理器
StartState中注册了Transition.GoToRunState转换条件，该转换条件对应的State是RunState,由于我们的状态是通过字典（键值对形式）保存在FSM状态机中的，所以我们还要有一个枚举StateID来标识每种状态，而转换条件对应的就是StateID了，那么上面的RunState的StateID属性为StateID.Run。这样StartState就存在了一个转换条件，这个转换条件也有了对应的StateID，我们把这个放入字典保存起来，key是Transition,value是StateID。
而在游戏一开始默认是StartState,那么我们就应该要有一个初始化状态机的当前状态的方法，将当前状态设置为StartState,ID为StateID.Start, 并且调用StartState的进入事件，我们状态必须要重写进入事件和离开事件，因为使得每种状态的不同就是它们的作用，不然FSM将毫无意义。
在我们给FSM状态机一个转换消息时，例如:Transition.GoToRunState，那么FSM会这样做：
1.从当前状态（StartState）中，寻找该转换条件GoToRunState对应的状态ID即StateID.Run
2.拿到StateID后，我们在FSM中保存的状态字典内 通过StateID寻找出对应的状态，即RunState
3.找到后，先调用 当前状态的离开事件（当前状态是StartState），然后将当前状态转为RunState,ID也要变，然后调用当前状态的进入事件（当前状态是RunState）。
补充：
Act事件，它是每个状态必须重写的事件，会在FSM状态机的Update中调用，FSM状态机只会调用当前状态的Act事件，Act事件相当于状态运行中的各种行为。
Reason事件，它是每个状态必须重写的事件，同样会在FSM状态机的Update调用，与Act的行为区别是它集中处理了各种转换事件的发生，就是说在什么情况下会触发什么转换条件，从而让FSM状态机自己去管理自己的状态转变。
但是，当FSM状态机不继承于Monobeviour时，Act事件和Reason事件也可能并非由状态机自身去调用，而是由创建状态机的那个脚本的Update去调用状态机的Update方法。注意，状态机不继承于MonoBehaviour的时候是这样用的，当状态机继承于Monobehaviour就不需要创建状态机自身了。
至于状态机继不继承Monobehaviour，可以自己看着办，个人认为继承于Monobehaviour不太好。
感知系统：
视觉：
1、全方位无死角视觉，实现原理：利用Vector3.Distance()判断距离是否在视觉范围内。（不常用）
2、半圆弧视觉：利用Vector3.Distance()判断距离是否在视觉范围内，并且用Vectoe3.Angle(机器人前方，从机器人指向玩家的向量)得到夹角(<90°)，判断这个夹角是否在视觉角度/2内，若在视觉角度/2内，则认为是看到了，否则反之。半圆弧视觉和全方位无死角视觉的区别就在于多了一个Angle判断。这个视觉看不到看人 还会受到障碍物影响，在确认玩家在视觉范围内时，还要发射一条射线判断是否有障碍物挡着，若射线检测到的是玩家，则表明玩家在视野内，若碰到的是障碍物则不会看到玩家，也就不会触发看到玩家后的操作了。
听觉：
1、玩家跑动Bool变量，当玩家跑动时，为true，否则为false
2、听觉最大距离：利用Unity寻路系统Nav，将2个点之间的最短距离计算出，然后判断这个最短距离是否 小于 听觉最大距离，若小于，则去判断玩家跑动Bool变量是否为true，若为true就表示听到了。这2点的意思是 机器人位置和玩家位置，因为我们的听觉是会受到障碍物干扰的，所以在计算2点距离的时候就不能使用简单的Vector3.Distance了，而是使用导航系统Nav的计算方法，或者根据你自己的寻路系统方法来计算2点的最短路径。
后期说明，如何利用Nav导航系统计算最短路径问题TODO。
A*寻路：1、制作虚拟地图（美工管的），虚拟地图一般是用(一个类class或者结构体struct)去描述地图上一个点的信息，例如：
一个点需要有 坐标x,y ，是否为障碍物bool标志位，父节点，F，G，H，（基本都要这些）
2、讲解A*寻路的一个方程式：F=G+H
简单地说明一下，F越小越好，代表着寻找出的路径会比较短，而不是最短。其中，G是确定的，H是预判的。
该结点G的计算方法= 父节点G值 + 父节点到达该结点的距离（直接用Vector3.Distance计算出）
H值的计算方法可以有多种：例如：第一种是直接 是 该结点与终点的X之差的绝对值与Y之差的绝对值 之和。
第二种是 直接Vector3.Distance计算出 该结点与终点的距离。
其他的方法也有 ，自己想到什么是什么，这个会影响到最终寻找出的路径。
这里，因为H值的计算方法是人为设定的，可能靠谱可能不靠谱，故F值也不一定是最完美的，所以A*算法计算出的路径也不一定是最短的，而只能说是比较短的。
3、A*算法需要的5个东西，上面已经说了1个，虚拟地图map[,] 我们通过把2D/3D的物体虚拟化为一张地图，这张地图的每个点都是一个信息体，即Point，里面记录着一些信息，初始化虚拟地图的时候 我们只会将x,y值和障碍物bool初始化。
行为树：