【Steering Behaviors】
1、Seek
下述的算法是一个基本Seek行为，但不带任何Steering输出的力。在该公式作用下，游戏个体的移动方式是直线型的，如果target的位置变了的话，个体会立即响应，并且会以新的方向，以直线的形式向目标位置靠近，这会给人一种从当前路径突兀的变换到新路径的感觉。
Seek行为被分解为两个力：目标速度，和转向速度。目标速度始终朝向目标位置，转向力是目标速度减去个体的当前速度得出的，它的物理意义就是向着目标位置给个体一个推力。
计算了转向力之后，它必须和原先版本的速度方向合成，再施加给个体。
注意，seek中要限制steering的最大值，否则每一次 velocity+steering 均会等于 desired velocity。
2、Flee。
Flee的desired velocity调整为seek的相反位置：
使用Flee算法，可以避免角色大幅转向（如180度）问题，如下，橘色为转向曲线：
注意：Flee中也要对 steering 限速。
3、Arrival
Seek行为使个体向目标位置移动，当个体移动到目标点后，算法仍旧作用在个体之上，对它施加转向力，这会导致个体在目标点周围来回移动。
Arrival行为会规避个体移动超过目标点的现象，当个体靠近目标点时，它会使个体减速，最终停在目标点上。
行为被分成两个阶段：
1）第一阶段是个体还远离目标点时，它的工作方式和之前介绍的Seek行为一样
2）第二阶段是个体靠近目标点时，在减速范围内。
注意：Arrival 中不需要对 steering 限速，因为如果desired_velocity降为0，那么转向力会是velocity，那么它和速度方向的合力为 0，个体就不会运动了。
4、Wander
游戏AI的前方加一个圈，圈的半径以及角色到圈的距离越大，施加在角色身上的推力就越强。
1）CircleCenter 向量。
2）displacement，计算移位力
综合起来就是以下这样：
5、Persulit
当T是一个常数时，会有一个问题：在离目标点很近的距离下，追踪的准确度会变得很差。
这是因为当追踪者靠近目标后，追踪者还是以常数T时间后的位置进行预测。这和真实的追踪行为相违背，真实的追铺在靠近物体后会停止预测，并且以物体当前实际位置作为目标点。
有一个简单的方式来改进我们上面的追捕逻辑，就是用动态的T来替换之前恒定的T。
6、整合
