পালানোর জন্য প্যাথফাইন্ডিং


61

আপনি যেমন জানেন যে দ্বি-মাত্রিক পরিবেশের সেরা পথটি সন্ধান করার জন্য যখন আপনি ঘুরে বেড়ান তখন প্রচুর সমাধান রয়েছে যা পয়েন্ট এ থেকে পয়েন্ট বিতে নিয়ে যায়

তবে যখন কোনও বস্তু A বিন্দুতে রয়েছে তখন আমি কীভাবে একটি পাথ গণনা করব এবং যত দ্রুত সম্ভব এবং পয়েন্ট বি থেকে দূরে সরে যেতে চাই?

কিছুটা ব্যাকগ্রাউন্ডের তথ্য: আমার গেমটিতে 2 ডি এনভায়রনমেন্ট ব্যবহার করা হয়েছে যা টাইল ভিত্তিক নয় তবে ভাসমান পয়েন্টের যথার্থতা রয়েছে। আন্দোলনটি ভেক্টর ভিত্তিক। গেম ওয়ার্ল্ডকে আয়তক্ষেত্রগুলিতে ভাগ করে প্যাথফাইন্ডিং করা হয় যা হাঁটা যায় না বা হাঁটা যায় না এবং তাদের কোণ থেকে গ্রাফ তৈরি করে। আমার কাছে ইতিমধ্যে ডিজকস্ট্রাস অ্যালগরিদম ব্যবহার করে পয়েন্টগুলির মধ্যে প্যাথফাইন্ডিং রয়েছে। পালানো অ্যালগরিদমের ব্যবহারের ক্ষেত্রটি হ'ল নির্দিষ্ট পরিস্থিতিতে আমার গেমের অভিনেতাদের অন্য অভিনেতাকে একটি বিপদ হিসাবে বোঝা উচিত এবং এ থেকে পালানো উচিত।

তুচ্ছ সমাধানটি হ'ল অভিনেতাটিকে কেবল কোনও ভেক্টরে এমন দিকনির্দেশে নিয়ে যাওয়া যা হুমকির বিপরীতে যেখানে "নিরাপদ" দূরত্ব না পৌঁছানো বা অভিনেতা এমন কোনও দেয়ালে পৌঁছায় যেখানে ভয়ে আবদ্ধ থাকে।

এই পদ্ধতির সমস্যাটি হ'ল অভিনেতারা সহজেই ঘুরতে পারে এমন ছোট বাধা দ্বারা আবদ্ধ হয়ে যাবে। যতক্ষণ দেওয়াল বরাবর চলতে পারে তারা তাদের যে হুমকির মুখোমুখি হতে পারত না ততক্ষণ তারা যখন প্রথম স্থানে বাধা এড়াবে তখন এটি আরও চৌকস দেখবে:

এখানে চিত্র বর্ণনা লিখুন

আর একটি সমস্যা যা আমি দেখি তা হ'ল মানচিত্রের জ্যামিতির মৃত প্রান্তগুলি। কিছু পরিস্থিতিতে একজন ব্যক্তিকে অবশ্যই এমন এক পথের মধ্যে বেছে নিতে হবে যা এটি এখন দ্রুত চলে যায় তবে শেষের দিকে একটি মৃত প্রান্তে পৌঁছে যায় যেখানে এটি আটকা পড়বে, বা অন্য কোনও পথ যার অর্থ হবে যে এটি প্রথমে বিপদ থেকে খুব দূরে পাবে না (অথবা এমনকি কিছুটা কাছাকাছি) তবে অন্যদিকে এর থেকে আরও দীর্ঘতর মেয়াদী পুরষ্কার থাকবে যা এতে অবশেষে তাদের আরও অনেক দূরে পেয়ে যাবে। সুতরাং ধ্বংস পাবার স্বল্পমেয়াদী পুরস্কার ফাস্ট একরকম চলে পাবার দীর্ঘমেয়াদী পুরস্কার বিরুদ্ধে মূল্যবান করা আবশ্যক পর্যন্ত

এখানে চিত্র বর্ণনা লিখুন

পরিস্থিতিগুলির জন্য আরও একটি রেটিং সমস্যা রয়েছে যেখানে কোনও অভিনেতাকে আরও বড় হুমকির হাত থেকে দূরে সরে যাওয়ার জন্য একটি ছোটখাটো হুমকির কাছে যেতে গ্রহণ করা উচিত। তবে সমস্ত ছোটখাটো হুমকি সম্পূর্ণরূপে উপেক্ষা করাও বোকামি হবে (এ কারণেই এই গ্রাফিকের অভিনেতা উপরের ডানদিকে ছোটখাটো হুমকি এড়াতে নিজের পথ থেকে বেরিয়ে যান):

এখানে চিত্র বর্ণনা লিখুন

এই সমস্যার জন্য কোনও মানক সমাধান রয়েছে?


8
+1 দুর্দান্ত ভিজ্যুয়াল সহ দুর্দান্ত প্রশ্ন। এটি সত্যই প্রশ্নটি পরিষ্কার করে দেয়।
মাইকেলহাউস

উত্তর:


24

এটি সেরা সমাধান নাও হতে পারে তবে এই গেমটির জন্য আমার পালিয়ে যাওয়া এআই তৈরি করার জন্য এটি আমার পক্ষে কাজ করেছিল ।

পদক্ষেপ 1. আপনার ডিজকস্ট্রার অ্যালগরিদমকে এ * তে রূপান্তর করুন । এটি কেবলমাত্র একটি হিউরিস্টিক যুক্ত করে সহজ হওয়া উচিত, যা লক্ষ্যমাত্রার সর্বনিম্ন দূরত্বকে রেখে দেয় measures কোনও নোড স্কোর করার সময় এতদূর ভ্রমণ করা দূরত্বে এই হিউরিস্টিক যুক্ত হয়। আপনার যেকোন উপায়ে এই পরিবর্তন করা উচিত, কারণ এটি আপনার পাথ সন্ধানকারীকে উল্লেখযোগ্যভাবে বৃদ্ধি করবে boo

পদক্ষেপ 2. হিউরিস্টিকের একটি বৈচিত্র তৈরি করুন, যা লক্ষ্যটির দূরত্ব নির্ধারণের পরিবর্তে এটি বিপদ (গুলি) থেকে দূরত্ব পরিমাপ করে এবং এই মানটিকে অবহেলা করে। এটি কখনই কোনও লক্ষ্যে পৌঁছাতে পারে না (যেমন কোনওটি নেই), সুতরাং আপনাকে কোনও সময়ে অনুসন্ধান শেষ করতে হবে, সম্ভবত নির্দিষ্ট দূরত্বে পৌঁছানোর পরে বা সমস্ত সম্ভাব্য রুটগুলি পরিচালনা করার পরে সুনির্দিষ্ট সংখ্যক পুনরাবৃত্তির পরে। এই সমাধানটি কার্যকরভাবে একটি পাথ সন্ধানকারীকে তৈরি করে যা প্রদত্ত সীমাবদ্ধতার সাথে সর্বোত্তম পালানোর পথ খুঁজে পায়।


1
মনে রাখবেন যে বিপদ থেকে সরলরেখার দূরত্বের মতো কিছু ব্যবহার করা যেমন ধাপ ২-এ হিউরিস্টিক সাধারণত একটি স্বীকৃত হিউরিস্টিক দেয় না। অবশ্যই, এর অর্থ এই নয় যে আপনি যেভাবেই এটি ব্যবহারের চেষ্টা করতে পারবেন না, তবে এটি সর্বোপরি পালানোর পথ তৈরি করতে পারে না। এই "বিপরীত এ *" এর জন্য সত্যিকারের স্বীকৃত হিউরিস্টিক পেতে, আমার মনে হয় বিপদ থেকে প্রতিটি বর্গের প্রকৃত দূরত্ব গণনা করার জন্য আপনার স্বাভাবিক এ * / ডিজজস্ট্র ব্যবহার করা উচিত।
ইলমারি করোনেন

+1 আমি মনে করি ফলাফল হিসাবে যতটা চেষ্টা করা যায় ততই এটি আপনার রুপের জন্য সবচেয়ে ভাল ঠাঁই দেয়।
মাইকেলহাউস

33

আপনি যদি সত্যই চান যে আপনার অভিনেতারা পালানোর বিষয়ে স্মার্ট হন, কেবল সরল ডিজকস্ট্রা / এ * পাথফাইন্ডিং এটি কাটবে না। এর কারণ হ'ল, শত্রু হতে সর্বোত্তম পালানোর পথটি খুঁজে পেতে অভিনেতাকেও বিবেচনা করা দরকার যে শত্রু কীভাবে তাড়া করতে চলেছে।

নিম্নলিখিত এমএস পেইন্ট ডায়াগ্রামে একটি নির্দিষ্ট পরিস্থিতি চিত্রিত করা উচিত যেখানে শত্রু থেকে দূরত্ব সর্বাধিকতর করতে কেবল স্থিতিশীল পথচলা ব্যবহার করা একটি সাবঅপটিমাল ফলাফলের দিকে নিয়ে যায়:

পি-আকৃতির গোলকধাঁধায় শত্রু থেকে পালিয়ে আসা অভিনেতার চিত্র ia

এখানে, সবুজ বিন্দুটি লাল বিন্দু থেকে পালাচ্ছে এবং পথ ধরার জন্য দুটি পছন্দ আছে। ডানদিকে যাওয়ার পথে এটি লাল বিন্দুর বর্তমান অবস্থান থেকে আরও অনেক কিছু পেতে পারে তবে শেষ পর্যন্ত সবুজ বিন্দুকে একটি শেষ প্রান্তে আটকে ফেলবে। পরিবর্তে, সর্বোত্তম কৌশলটি সবুজ বিন্দুটিকে বৃত্তের চারদিকে চালিয়ে যাওয়ার জন্য, লাল বিন্দু থেকে এর বিপরীত দিকে থাকার চেষ্টা করে।

এই জাতীয় পালানোর কৌশলগুলি সঠিকভাবে খুঁজে পেতে আপনার মিনিম্যাক্স অনুসন্ধানের মতো অ্যাডভারসিয়াল সার্চ অ্যালগরিদম বা আলফা-বিটা ছাঁটাইয়ের মতো এর পরিশোধনগুলির প্রয়োজন । পর্যাপ্ত অনুসন্ধানের গভীরতার সাথে উপরের দৃশ্যে প্রয়োগ করা এই জাতীয় একটি অ্যালগরিদম সঠিকভাবে অনুমান করবে যে মৃত প্রান্তটি ডান দিকে নিয়ে যাওয়া অনিবার্যভাবে ক্যাপচারে পরিচালিত করবে, যেখানে বৃত্তে থাকা থাকবে না (যতক্ষণ না সবুজ বিন্দুটি প্রসারিত করতে পারে লাল এক)।

অবশ্যই, যদি উভয় প্রকারের একাধিক অভিনেতা থাকে তবে এগুলির সকলকেই নিজস্ব কৌশল পরিকল্পনা করতে হবে - হয় আলাদাভাবে বা, যদি অভিনেতারা সহযোগিতা করছেন, একসাথে। এই জাতীয় বহু অভিনেতা তাড়া / পালানোর কৌশল অবাক করা জটিল হয়ে উঠতে পারে; উদাহরণস্বরূপ, একজন পালানো অভিনেতার পক্ষে সম্ভাব্য কৌশল হ'ল শত্রুকে আরও লোভনীয় লক্ষ্যের দিকে নিয়ে যাওয়ার দিকে মনোযোগ দেওয়ার চেষ্টা করা। অবশ্যই, এটি অন্যান্য লক্ষ্যগুলির সর্বোত্তম কৌশলকে প্রভাবিত করবে এবং আরও অনেক কিছু ...

অনুশীলনে, আপনি সম্ভবত প্রচুর এজেন্টের সাথে সত্যিকারের সময়ে খুব গভীর অনুসন্ধান করতে পারবেন না, সুতরাং আপনাকে অনেকটা হিউরিস্টিকের উপর নির্ভর করতে হবে। এই হিউরিস্টিকগুলির পছন্দটি তখন আপনার অভিনেতাদের "মনোবিজ্ঞান" নির্ধারণ করবে - তারা কতটা স্মার্ট কাজ করে, বিভিন্ন কৌশলগুলিতে তারা কতটা মনোযোগ দেয়, তারা কতটা সহযোগী বা স্বতন্ত্র ইত্যাদি ইত্যাদি will


7

আপনি পাথফাইন্ডিং পেয়েছেন, যাতে আপনি কোনও ভাল গন্তব্য চয়ন করতে সমস্যা হ্রাস করতে পারেন।

যদি মানচিত্রে একেবারে নিরাপদ গন্তব্য থাকে (যেমন হুমকিটি আপনার অভিনেতাকে অনুসরণ করতে পারে না), নিকটস্থ এক বা একাধিকটি বেছে নিন এবং কোনটির সর্বনিম্ন পথ ব্যয় রয়েছে তা নির্ধারণ করুন।

যদি আপনার পালানো অভিনেতা ভাল সশস্ত্র বন্ধুবান্ধব থাকে, বা মানচিত্রে এমন ঝুঁকি রয়েছে যা অভিনেতা দায়বদ্ধ নয় তবে হুমকি না থাকলে এই জাতীয় বন্ধু বা বিপদের কাছাকাছি একটি খোলা জায়গা বেছে নিন এবং এটির জন্য পথচলা।

যদি আপনার পালানো অভিনেতা অন্য কোনও অভিনেতার চেয়ে ত্বরান্বিত হয় যে হুমকিতেও আগ্রহী হতে পারে তবে সেই অন্য অভিনেতার দিকনির্দেশনাটি বেছে নিন, তবে এর বাইরেও এবং সেই দিকটির পথ বেছে নিতে: "আমাকে ভালুককে ছাড়িয়ে যেতে হবে না , আমি আপনাকে কেবল ছাড়িয়ে যেতে হবে। "

পালানোর সম্ভাবনা ছাড়াই, বা হত্যার বা হুমকির দিকে মনোযোগ না দেওয়ার কারণে আপনার অভিনেতা বিনষ্ট হয়ে গেছে, তাই না? তাই ছুটে যাওয়ার জন্য একটি নির্বিচারে বিন্দুটি বেছে নিন, এবং আপনি যদি সেখানে পৌঁছে যান এবং হুমকি এখনও আপনাকে অনুসরণ করছে, কি হ'ল: ঘুরিয়ে লড়াই করুন।


7

যেহেতু একটি উপযুক্ত লক্ষ্য-অবস্থান নির্দিষ্ট করে দেওয়া অনেক পরিস্থিতিতে জটিল হতে পারে, তাই 2 ডি অধিগ্রহণ গ্রিড-মানচিত্রের ভিত্তিতে নিম্নলিখিত পদ্ধতির বিষয়টি বিবেচনার জন্য উপযুক্ত হতে পারে। এটিকে সাধারণত "মান পুনরাবৃত্তি" হিসাবে উল্লেখ করা হয় এবং গ্রেডিয়েন্ট-ডেসেন্ট / অ্যাসেন্টের সাথে মিলিত হয়ে এটি একটি সাধারণ এবং মোটামুটি দক্ষ (বাস্তবায়নের উপর নির্ভর করে) পাথ-পরিকল্পনা অ্যালগরিদম দেয়। এর সরলতার কারণে, এটি মোবাইল রোবোটিক্সে সুপরিচিত, বিশেষত "সরল রোবট" অভ্যন্তরীণ পরিবেশে নেভিগেট করার জন্য। উপরে বর্ণিত হিসাবে, এই পদ্ধতিটি নীচের হিসাবে স্পষ্টভাবে কোনও লক্ষ্য-অবস্থান নির্দিষ্ট করে না দিয়ে শুরু-অবস্থান থেকে দূরে কোনও পথ সন্ধানের একটি উপায় সরবরাহ করে। নোট করুন যে কোনও লক্ষ্য-অবস্থানটি উপলভ্য থাকলে allyচ্ছিকভাবে নির্দিষ্ট করা যেতে পারে। এছাড়াও, পদ্ধতির / অ্যালগরিদমটি প্রস্থের প্রথম সন্ধানকে গঠন করে,

বাইনারি ক্ষেত্রে, দখলযুক্ত গ্রিড-কোষের জন্য 2 ডি ওপেনসিভেশন গ্রিড-মানচিত্র একটি এবং অন্য কোথাও শূন্য। মনে রাখবেন যে এই দখল-মানটি [0,1] এর মধ্যেও ধারাবাহিক হতে পারে, আমি নীচে সেইটিতে ফিরে আসব। প্রদত্ত গ্রিড-সেল g i এর মান হ'ল ভি (g i )

বেসিক সংস্করণ

  1. ধরে নিই যে গ্রিড-সেল g 0 এ স্টার্ট-পজিশন রয়েছে। সেট ভী (ছ 0 ) = 0 , এবং করা 0 একটি FIFO-সারিতে।
  2. সারি থেকে পরবর্তী গ্রিড-সেল g i নিন ।
  3. সব প্রতিবেশীদের জন্য গ্রাম এর আমি :
    • যদি জি জে দখল না করে থাকে এবং আগে দেখা না হয়:
      • ভি (জি জে ) = ভি (জি আই ) +1
      • জি জেদর্শন করেছেন হিসাবে চিহ্নিত করুন ।
      • ফিফো-সারিতে জি জে যুক্ত করুন ।
  4. যদি কোনও প্রদত্ত দূরত্বের চৌম্বকটি এখনও পৌঁছায় না, তবে (২) দিয়ে চালিয়ে যান, অন্যথায় (৫) দিয়ে চালিয়ে যান।
  5. জি 0 থেকে শুরু হওয়া সবচেয়ে খাড়া গ্রেডিয়েন্ট-অ্যাসেন্ট অনুসরণ করে পাথটি পাওয়া যায় ।

পদক্ষেপ 4 নোট।

  • উপরে বর্ণিত হিসাবে, পদক্ষেপের (4.) সর্বোচ্চ আচ্ছাদিত দূরত্বের উপর নজর রাখতে হবে, যা স্পষ্টতা / সংক্ষিপ্ততার কারণে উপরের বর্ণনায় বাদ দেওয়া হয়েছে।
  • যদি কোনও লক্ষ্য-অবস্থান দেওয়া হয়, লক্ষ্য-অবস্থানটি পৌঁছানোর সাথে সাথে পুনরাবৃত্তিটি বন্ধ হয়ে যায়, অর্থাত প্রক্রিয়া করা / পর্যায়ের অংশ হিসাবে পরিদর্শন করা (৩)।
  • অবশ্যই, সম্পূর্ণ গ্রিড-মানচিত্রটি সহজেই প্রক্রিয়া করা সম্ভব, অর্থাত্ সমস্ত (ফ্রি) গ্রিড-সেলগুলি প্রক্রিয়া করা / পরিদর্শন না করা অবধি অবিরত রাখা। সীমিতকরণের কারণটি স্পষ্টতই এর রেজোলিউশনের সাথে মিলিতভাবে গ্রিড-মানচিত্রের আকার।

এক্সটেনশন এবং আরও মন্তব্য

আপডেট-সমীকরণ ভি (জি জে ) = ভি (জি আই ) +1 ডাউন-স্কেলিং ভি (জি ) এর মাধ্যমে সমস্ত ধরণের অতিরিক্ত হিউরিস্টিক্স প্রয়োগ করতে প্রচুর জায়গা ফেলেছেবা নির্দিষ্ট পথ-বিকল্পগুলির মান হ্রাস করার জন্য অ্যাডিটিভ উপাদান। বেশিরভাগ, সমস্ত না হলেও, এই পরিবর্তনগুলি [0,1] থেকে অবিচ্ছিন্ন মান সহ একটি গ্রিড-মানচিত্র ব্যবহার করে সুন্দরভাবে এবং সাধারণভাবে সংহত করা যেতে পারে, যা কার্যকরভাবে প্রাথমিক, বাইনারি গ্রিড-মানচিত্রের প্রাক প্রসেসিং পদক্ষেপ গঠন করে। উদাহরণস্বরূপ, বাধা সীমানা বরাবর 1 থেকে 0 এ রূপান্তর যুক্ত করার ফলে "অভিনেতা" বাধা থেকে পরিষ্কার থাকতে পারে clean এই জাতীয় গ্রিড-মানচিত্র, উদাহরণস্বরূপ, বাইনারি সংস্করণ থেকে ঝাপসা, ভারাক্রান্ত প্রসারণ বা অনুরূপ দ্বারা তৈরি করা যেতে পারে। বড় ঝাপসা ব্যাসার্ধের সাথে বাধা হিসাবে হুমকি এবং শত্রুদের যুক্ত করা, এগুলির নিকটে আসা পথগুলিকে শাস্তি দেয়। সামগ্রিকভাবে গ্রিড-মানচিত্রে এর মতো একটি প্রসারণ-প্রক্রিয়াও ব্যবহার করা যায়:

ভি (জি জে ) = (1 / (এন + 1)) × [ভি (জি জে ) + সম (ভি (জি আই ))]

যেখানে " যোগফল " সমস্ত প্রতিবেশী গ্রিড-কোষের যোগফলকে বোঝায়। উদাহরণস্বরূপ, বাইনারি মানচিত্র তৈরির পরিবর্তে প্রাথমিক (পূর্ণসংখ্যা) মানগুলি হুমকির পরিমাণের সাথে সমানুপাতিক হতে পারে এবং বাধাগুলি "ছোট" হুমকির উপস্থিতি হতে পারে। প্রসারণ-প্রক্রিয়া প্রয়োগ করার পরে, গ্রিড-মানগুলি অবশ্যই [0,1], এবং বাধা, হুমকি এবং শত্রুদের দ্বারা অধিষ্ঠিত কোষগুলিকে সেট / বাধ্যতামূলক করা উচিত ১। অন্যথায় আপডেট-সমীকরণের স্কেলিং হতে পারে পছন্দসই হিসাবে কাজ না।

এই সাধারণ স্কিম / পদ্ধতির বিভিন্ন বৈচিত্র রয়েছে। বাধা ইত্যাদির মতো ছোট মান থাকতে পারে, তবে নিখরচায় গ্রিড-কোষের বড় মান থাকতে পারে, যা লক্ষ্য অনুসারে শেষ ধাপে গ্রেডিয়েন্ট-ডেসেন্টের প্রয়োজন হতে পারে। যে কোনও ক্ষেত্রে, আইএমএইচও, আশ্চর্যজনকভাবে বহুমুখী, বাস্তবায়নের পক্ষে মোটামুটি সহজ, এবং সম্ভাব্য বরং দ্রুত (গ্রিড-মানচিত্র-আকার / রেজোলিউশনের বিষয়) is অবশেষে, অনেকগুলি পথ-পরিকল্পনা অ্যালগরিদমগুলির সাথে যেমন একটি নির্দিষ্ট লক্ষ্য-অবস্থান ধরে না, মৃত প্রান্তগুলিতে আটকে যাওয়ার স্পষ্ট ঝুঁকি রয়েছে। কিছুটা হলেও, এই ঝুঁকি হ্রাস করার জন্য শেষ পদক্ষেপের আগে ডেডিকেটেড পোস্ট-প্রসেসিং পদক্ষেপগুলি প্রয়োগ করা সম্ভব হতে পারে।

জাভা স্ক্রিপ্ট (?) এর একটি চিত্রের সাথে এখানে আরও একটি সংক্ষিপ্ত বিবরণ দেওয়া হচ্ছে, যদিও চিত্রটি আমার ব্রাউজারটির সাথে কাজ করে না :(

http://www.cs.ubc.ca/~poole/demos/mdp/vi.html

পরিকল্পনা সম্পর্কিত প্রচুর আরও বিস্তারিত নীচের বইটিতে পাওয়া যাবে। মান পুনরাবৃত্তিটি অধ্যায় ২, বিভাগ ২.৩.১-এ সুনির্দিষ্টভাবে নির্দিষ্ট স্থির-দৈর্ঘ্যের পরিকল্পনাগুলিতে আলোচনা করা হয়েছে।

http://planning.cs.uiuc.edu/

আশা করি যে সাহায্য করবে, আন্তরিক শুভেচ্ছা, ডেরিক।


3

শিকারীদের উপর কেন্দ্রীভূত সম্পর্কে? আসুন প্রিডেটরের অবস্থানের উপযুক্ত ঘনত্ব সহ কেবল 360 ডিগ্রি রেইকাস্ট করি। এবং আমাদের আশ্রয়ের নমুনা থাকতে পারে। এবং সেরা আশ্রয় চয়ন করুন।

মামলা 1

কেস 2


0

তারা পশুর পালদের জন্য স্টার ট্রেক অনলাইনে একটি পন্থা হ'ল কেবল একটি খোলা দিক বেছে নেওয়া এবং সেই দিকে দ্রুত এগিয়ে যাওয়া, নির্দিষ্ট দূরত্বে প্রাণীদের ডি-স্পাং করা। তবে এটি পশুপালদের জন্য বেশিরভাগই একটি গৌরবময় ডি-স্পন অ্যানিমেশন যা আপনাকে আক্রমণ থেকে দূরে সরিয়ে দেওয়ার কথা বলেছে, এবং প্রকৃত যোদ্ধা জনতার পক্ষে উপযুক্ত নয়।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.