Die besten pathfinding-Lösungen für Sie

Finden Sie bewährte pathfinding-Tools, die sowohl für Anfänger als auch für Experten geeignet sind, und steigern Sie Ihre Produktivität.

pathfinding

  • Ein Open-Source-Godot-Plugin, das modulare Agentensteuerungsverhalten wie Bahnverfolgung, Hindernisvermeidung und Menschenmengen-Simulation bietet.
    0
    0
    Was ist Godot Steering AI Framework?
    Das Godot Steering AI Framework ist eine spezialisierte Erweiterung für die Godot-Spiel-Engine, die Entwicklern ermöglicht, NPCs, Feinde und autonome Charaktere mit realistischen Bewegungs- und Entscheidungsmustern auszustatten. Durch die Bereitstellung einer Reihe vorgefertigter Steuerungsverhalten und deren Kombination durch gewichtetes Mischen können Nutzer flüssige Pfadverfolgung, dynamische Hindernisvermeidung, Gruppenbildung sowie reaktionsfähiges Verfolgen oder Fliehen erreichen. Das Framework vereinfacht die KI-gesteuerte Navigation, sodass Sie sich auf Spielmechaniken konzentrieren können, anstatt auf niedrigstufige Bewegungs-Codes, und unterstützt sowohl 2D- als auch 3D-Projekte mit minimalem Setup.
  • AgentSimulation ist ein Python-Framework für die Echtzeit-Simulation von autonomen 2D-Agenten mit anpassbaren Steuerverhalten.
    0
    0
    Was ist AgentSimulation?
    AgentSimulation ist eine Open-Source-Python-Bibliothek, die auf Pygame basiert, um mehrere autonome Agenten in einer 2D-Umgebung zu simulieren. Es ermöglicht Benutzern die Konfiguration von Agenteneigenschaften, Steuerverhalten (Seek, Flee, Wanderung), Kollisionsdetektion, Pfadsuche und interaktiven Regeln. Mit Echtzeit-Rendering und modularer Gestaltung unterstützt es schnelles Prototyping, Lehrsimulationen und kleinere Forschungen im Schwarmintelligenz- oder Multi-Agenten-Bereich.
  • Effiziente priorisierte Heuristiken MAPF (ePH-MAPF) berechnet schnell kollisionsfreie Mehragentenpfade in komplexen Umgebungen mithilfe inkrementeller Suche und Heuristiken.
    0
    0
    Was ist ePH-MAPF?
    ePH-MAPF bietet eine effiziente Pipeline zur Berechnung kollisionsfreier Pfade für Dutzende bis Hunderte von Agenten auf gitterbasierten Karten. Es nutzt priorisierte Heuristiken, inkrementelle Suchtechniken und anpassbare Kostenmetriken (Manhattan, euklidisch) zur Balance zwischen Geschwindigkeit und Lösungsqualität. Nutzer können zwischen verschiedenen Heuristikfunktionen wählen, die Bibliothek in Python-basierte Robotiksysteme integrieren und die Leistung in Standard-MAPF-Szenarien benchmarken. Der Code ist modular und gut dokumentiert, was Forschern und Entwicklern erlaubt, ihn für dynamische Hindernisse oder spezielle Umgebungen zu erweitern.
Ausgewählt