Unreal Engine 4(虚幻UE4)GameplayAbilities 插件入门教程(三)技能标签(Ability Tags)...

本文深入探讨了Unreal Engine 4中的GameplayAbilities插件,通过实例演示如何使用技能标签(Tag)创建复杂的技能系统,包括技能球的拾取逻辑、Ability的创建与配置,以及技能之间的相互作用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本教程参考了https://wiki.unrealengine.com/GameplayAbilities_and_You,如果没有学习前两篇教程,请前往学习。

GameplayAbilities插件提供了强大的技能系统,今天介绍的是和标签有关系的内容。

 

第零步:随便打开一个Actor,随便查看一个组件,发现里面有tag

这个Tag和我们本篇讲的内容无关,不要混淆!

 

第一步:打开projectsettings,查看

 

添加一些Tag,什么是Tag呢?简单来说就是技能(Ability)树中的每一个标签。

如上图的过程,添加如下Tag

Magic.Wood :木精灵魔法

Magic.Fire :火焰魔法

Magic.Ice :冰封魔法

Remote.BirdHit:飞鸟

Remote.Arrow:弓箭

参考:https://www.youtube.com/watch?v=e2rdXo408Q0

1.5步:在character的蓝图中创建一个tagscontainter结构体,打开其眼睛(公开)。

知识点说明:GameplayTagGameplayTagContainer是对新手较为重要的两个类型,其中前者是单个的Tag变量,后者可以看成是Tag的数组。

追加步骤:在这个Container中选择火焰魔法(表明这个Container默认含有火焰魔法)。

第二步【本步骤制作一个pickup类(我们称为技能球),使得主人公拾取它时得到新的技能】:拉出一个球然后创建蓝图。

2a步:对“技能球”加入一个变量如下,默认值其实不重要,重要的是暴露。

 

2b步【本步骤是关键,添加拾取逻辑】:添加一个shpere collision,注意它的大小要调整一下,它的半径要比SM球大一些(这一点总很容易理解吧,因为要让人物能够碰到这个sphere collision)。拾取逻辑如下。这里有一个重要的节点,就是AddGameplayTag,表示添加一个Tag到容器中。【说明:下图中的Hit事件不正确,应该是oncomponentbeginoverlap事件】

追加一个拾取后消失的逻辑:

 

2c步【放置这些“技能球”】:注意在细节面板中配置它们的skill,放置示意图如下。

 

3步【在人物中打印,看看是否有拾取到远程技能】:在人物中,下面的蓝图应该不难看懂,不多解释,其中重要的节点是MakeGameplayTagQueryDoesContainerMatchTagQuery

4步:运行测试,让人物去拾取所有的技能球,然后不断地打印,看看有没有技能。

以上的小实例仅仅是一个开胃菜,GameplayAbilities插件提供了超级复杂的技能系统。我们继续!

 

另一组探索:

5.1步【创建Ability】:创建两个GameplayAbility(注意别搞错了),命名为“烈焰之鸟”和“召唤冰龙”。

 

5.2步【AbilityTags的讲解】:在烈焰之鸟中配置AbilityTagsMagicFIreRemoteBird,表示这个Ability有两个标签:魔法-火焰 和 远程-鸟。(请注意点击ClassDefault

 

重要的讲解:Ability Tags决定了这个Ability的标签!简单来说就是这个Ability所具备的属性(或者分类)。

 

5.3步【CancelAbiliesWithTags的讲解】:在召唤冰龙中配置它的技能标签(Ability Tags)以及“打断技能列表”(CancelAbilitieswithTags)。

 

这是什么意思呢?

凡是“召唤冰龙”被激活时,释放者actor(简单来说就是这个character)正在释放的所有火魔法技能将被打断。

我们希望召唤冰龙的时候,正在释放的烈焰之鸟被中断。怎么做呢?继续看:

 

5.4步:召唤冰龙里的激活逻辑:

 

烈焰之鸟里的激活逻辑:

知识点:注意其中的EndAbilityOnEndAbility是很重要的节点。

上述逻辑表示:烈焰之鸟将要五秒钟的蓄力事件才能释放完毕。

 

5.5步:在character中配置MyAbilities数组(这个不是天生就有的,它是作者自定义的类变量,如果不知道由来,请看之前的教程):配置烈焰之鸟和召唤冰龙的Ability

第5.6步:在人物character中写激活技能的逻辑(其中的UseAbility1UseAbility2其实仅仅是很简单的输入事件,如果不知道由来的话,请看前面的教程)(注意:下面的示意图中笔者展示了两种不同的激活Ability的方法,不难理解)

 

5.7步:保存编译,执行。

实验a:点击zUseAbility1的按钮),等候5秒看到:

实验b:点击z之后马上点击xUseAbility2的按钮),看到:

 

 

秒懂了吧。

 

 

还有很有趣的知识点,下一篇教程大概也有点像巩固课,会讲一些新的内容,但是不难。

 

原创声明:本文系小江村儿的文杰原创,若有参考的资料必在本文中给出。——小江村儿的文杰 zouwj5@qq.com 2017年7月14日14:44:47

转载于:https://www.cnblogs.com/JackSamuel/p/7170262.html

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值