用UE4创造开放世界：Kite 实时演示

小篱

文/刘源

这是2015年虚幻4的一篇演讲。他们在5个月内完成了一个单机的开放世界Demo，全部素材使用摄影测量法制作，渲染方面使用了一些新技术，表现效果非常真实。表示部分技术会逐步移植到虚幻引擎中。

Kite宣传视频

技术看点包括：

• 多种渲染效果（未解释具体算法），不过对于手游来说很遥远
• 地形的生成，大世界植被的生成算法
• 鹿的AI
  

视频地址

https://www.youtube.com/watch?v=clakekAHQx0

这个Demo使用10英里*10英里的大地图，1米的精度，比上古卷轴-天际面积大10倍。

• 没有加载、视距超级远
• 没有使用接景(matte painting，也就是远景的片)
• 完全使用动态光照，使用开放世界的动态GI
  

整个项目团队30人。大概5个月，10月启动，11月去照相，2月出来的。

开头有一段演示视频（00:51），可以参考的表现细节：

• 天空的鸟群
• 鹿的AI：在摄像机接近时逃散的动画
• 镜头漫游时摄像机的惯性晃动
  

地面上云的影子效果很出彩。注意，天上的云是静态的，但是并没有不和谐感。

资源创建流程

素材使用摄影测量法(Photogrammetry)。在苏格兰的斯凯岛取材。

采集队总共4人，分成两个小队各2人，在两个不同的地方各种采集了7天。除了照相扫描素材之外，还拍摄了实际风景来为未来的整个制作做参考。虽然采集了非常多素材，但是实际只做了十分之一（按：从多个项目的反馈来看，大家普遍认为少量重复的高质量资源足以构建可信的自然世界）。

本文略过了采集过程，若有人搞照相扫描法的话可以去看看。技术比较标准，包括但不限于：

• 采集时灰球+络合金球采集光照和环境信息。全部是HDR线性空间sRGB的
• 复原时，重新渲染亮度来去阴影
  

目前的LOD制作是手工的。大约3~5万面，然后做改成5~7千面，最后做3级LOD。

地形的贴图，是由原始的多边形烘焙成含法线的贴图，并包含高度信息。后面地形的融合，需要高度图信息。

渲染算法：RTDF阴影-GI-透光材质-模糊

传统来说，阴影使用分级阴影贴图(Cascaded Shadow Map)方案。这种方案可以支持植被动画，但是多边形开销大。本项目近处使用CSM，远处使用基于深度场光线追踪(RTDF,Ray Traced Distance Field)的阴影，该算法适合阴影以及AO，对于远景相对于传统方法有3倍的加速。

Distance Field

基于深度场光线追踪的阴影

环境光两种AO的效果比较

同时，对于天空盒产生的环境光，这里同样使用了基于深度场的AO(DFAO)。

GI效果比较

使用了一种修改版的基于高度场的GI。如果没有GI的话，树和石头的阴影区会太暗。

对不同的粗糙度，生成一套预处理的Cubemap。

此外，使用了新的背面透光算法。光线可以穿过很薄的表面，例如叶子、纸张，以及本视频中的风筝。认为3S材质只是一个近似，所以提供了一种新的两面的渲染模型，更准确地模拟光线传过薄的表面。

对于模糊，使用了Scatter as gather算法，包括动态模糊和景深，该算法准确度很高且可以采样屏幕之外的物体。


地形编辑，加载和混合

地形使用world machine制作后导入到自研工具中。10英里*10英里的大地图，1米的精度。

Terrain mesh，蓝色为不含细节信息的

整个地形并不是一次加载的，分解成了多个不同等级的加载流。对于细节内容，只在需要的情况下进行加载。如上图，图中的蓝色区域，就是基本内容，其细节信息未被加载。

Terrain贴图权重图，不同颜色表示不同的贴图。控制图首先由worldmachine生成，然后对部分进行手工编辑

对于地形贴图，使用基于高度图的混合。上图比较了普通的混合vs基于高度图的混合。

植被

植被分成了两类：

• 植被：树、岩石，有碰撞
• 草：草、花、小卵石，无碰撞
  

植被都是种的，使用分层静态Instanced Mesh，以类似BSP树的方式组织。草的数量极多，所以并不是一颗颗种的，而是根据地表的材质动态生成。

草有多级LOD，从视频看，有一定随机的LODbias，让他们交叠的切换；同时切换是平滑动画做逐像素渐变切换的。

树的Billboard使用了像素的深度图，来改善阴影。

场景的生成技术

开发人员创建了一个简单的生态模拟规则，生成整个世界的植被（注：含岩石），希望植被：

• 有聚集性
• 不会过度聚集
• 有自然的生长曲线，有自然的高矮。
  

这是一个生长模拟系统。首先根据密度设置生成初始的树、灌木和岩石的种子，然后每一步模拟植物的长大、并且在周围随机播种种子，这样多趟之后生成聚集的森林。多物种的生长区开始交叠的时候，使用适应性规则，来决定后面的走向，包括：相对尺寸、遮蔽、海拔高度、坡度，来决定交叠后的演化。适应性规则可以产生很自然的效果，例如有些物种只在森林中生长。

由于计算量太大，地图被分成大（注：按后文推测大概一块300*300m）的2d块。美术人员在个别块中先实验植被效果，然后应用到所有块。也可以定义一个空间区域作为掩码，来指定应用/排除的范围。

生长系统使用确定性模拟。生成之后，可以用通常的地形画刷二次修改结果。

鹿的AI

动物做法没有什么特别，使用和普通射击游戏类似的角色工作流。

鹿的躲避：若摄像机靠近，找到鹿群的中心点，然后指定他向远离摄像机镜头的的某个点移动。然后鹿使用寻路方式移动过去。

使用集群模拟(Crowd simulation)来躲避树木和其他鹿。

制作时，注意四足动物有特有的难点（按：强烈建议观察视频）：

• 无法原地转身，而是需要跑出一个曲线
• 加速需要比人类更长的时间
  

所以鹿的动作使用root motion。和传统的相反，AI告诉鹿移动目标，而鹿的动画控制其走过去。动画、状态机等是在多核上计算的，支持300+的鹿。

动态生成寻路网格

寻路是一个大问题。寻路网格相比碰撞检测计算速度快，可以支持更多的动态物体，所以在远距离的情况下，使用寻路网格来加速计算。到近距离的情况下，AI才使用碰撞检测。全场景寻路数据如果预计算的话有5G，所以并不进行预计算，都是多核计算按需动态生成的。

动态生成动物群

动物群都是靠近后生成的。

群落使用一种简单的方法生成。世界分成边长300m的方格，在需要产生群落的时候，群落会生成在格子中最合适的位置。用规则定义各种东西倾向于在什么地方出现，比如鹿喜欢森林或者会走下山谷。各种群落（包括鹿和鸟）有各自的规则。你在世界上移动过程中，这些动物群会动态生成的。

来源：GDC2015
知乎专栏：https://zhuanlan.zhihu.com/p/35362417