Arquitectura de IA para NPCs en Roblox: Árboles de Comportamiento, FSM y Percepción

Crear enemigos realistas en Roblox requiere un sistema de toma de decisiones bien diseñado. Concentrar el comportamiento en un único script con decenas de condicionales anidados genera errores de movimiento, atascos lógicos y caídas graves en los servidores.

Los juegos profesionales combinan Máquinas de Estados Finitos (FSM) para estados globales y Árboles de Comportamiento para decisiones jerárquicas tácticas. Esta guía analiza la implementación de tablas Blackboard, detección de visión por raycasting y balanceo de ticks por LOD.

1. Máquinas de Estados Finitos (FSM) vs. Árboles de Comportamiento (BT)

Selección del patrón según la complejidad del enemigo:

• Máquinas de Estados Finitos (FSM): Óptimas para patrones claros: Patrulla, Alerta, Persecución y Ataque, con métodos Enter, Update y Exit bien delimitados.
• Árboles de Comportamiento (BT): Esenciales para jefes complejos que se cubren, cambian de arma o lanzan habilidades reactivas.
• Estructura Híbrida: Emplear FSM para la macro-estrategia y Árboles de Comportamiento para resolver las micro-tácticas de combate.

2. El Patrón Blackboard y Detección Sensorial

Conciencia espacial sin sobrecargar el procesador del servidor:

• Blackboard: Tabla de memoria compartida para almacenar datos del NPC (objetivo actual, última posición conocida, salud).
• Cono de Visión y Raycasting: Producto escalar para comprobar un campo visual de 110° y raycast para verificar obstáculos.
• Gestión de Raycasts: Distribuir las comprobaciones cada 0.2 a 0.4 segundos en lugar de ejecutarlas en cada frame.

3. Production Implementation Architecture

-- Modular Finite State Machine for Roblox NPC
local StateMachine = {}
StateMachine.__index = StateMachine

function StateMachine.new(npcInstance, states, initialState)
    local self = setmetatable({}, StateMachine)
    self.NPC = npcInstance
    self.States = states
    self.CurrentState = nil
    self.Blackboard = {
        Target = nil,
        LastSeenPos = nil,
        Health = 100,
        PatrolPoints = {}
    }
    
    self:ChangeState(initialState)
    return self
end

function StateMachine:ChangeState(newStateName)
    if self.CurrentState and self.States[self.CurrentState].Exit then
        self.States[self.CurrentState]:Exit(self.NPC, self.Blackboard)
    end
    
    self.CurrentState = newStateName
    if self.States[newStateName] and self.States[newStateName].Enter then
        self.States[newStateName]:Enter(self.NPC, self.Blackboard)
    end
end

function StateMachine:Update(dt)
    if self.CurrentState and self.States[self.CurrentState].Update then
        local nextState = self.States[self.CurrentState]:Update(self.NPC, self.Blackboard, dt)
        if nextState and nextState ~= self.CurrentState then
            self:ChangeState(nextState)
        end
    end
end

return StateMachine

4. Nodos de Árboles de Comportamiento: Selectores y Secuencias

Estructuración de prioridades dinámicas:

• Nodos Selectores (?): Ejecutan ramas de izquierda a derecha hasta que una triunfe (Atacar -> Perseguir -> Patrullar).
• Nodos Secuencia (&): Exigen que todos los pasos se cumplan (Acercarse -> Animar golpe -> Infligir daño).
• Decoradores: Modifican resultados con tiempos de recarga o bucles condicionales.

5. Escalabilidad del Servidor: LOD y Object Pooling

Sostener 60 FPS estables con más de 100 enemigos activos:

• LOD de Inteligencia Artificial: 10Hz de refresco en proximidad, 1Hz a media distancia y pausa total a más de 500 studs.
• Interpolación en Cliente: El servidor calcula puntos clave y el cliente interpola el movimiento y giros suavemente.
• Object Pooling: Reutilizar modelos pre-creados alterando solo su CFrame y visibilidad para evitar basura en memoria.

Frequently Asked Questions