Lernen, sich wie professionelle Counter-Strike-Spieler zu bewegen.

Learning to Move Like Professional Counter-Strike Players

August 25, 2024

Autoren: David Durst, Feng Xie, Vishnu Sarukkai, Brennan Shacklett, Iuri Frosio, Chen Tessler, Joohwan Kim, Carly Taylor, Gilbert Bernstein, Sanjiban Choudhury, Pat Hanrahan, Kayvon Fatahalian

cs.AI

Zusammenfassung

In Multiplayer-Ego-Shooter-Spielen wie Counter-Strike: Global Offensive (CS:GO) ist koordinierte Bewegung ein entscheidender Bestandteil des strategischen Spiels auf hohem Niveau. Die Komplexität der Teamkoordination und die Vielfalt der Bedingungen in beliebten Spielkarten machen es jedoch unpraktisch, für jede Situation handgefertigte Bewegungsrichtlinien zu erstellen. Wir zeigen, dass es möglich ist, einen datengesteuerten Ansatz zur Erstellung von menschenähnlichen Bewegungssteuerungen für CS:GO zu verfolgen. Wir kuratieren einen Team-Bewegungsdatensatz, der 123 Stunden professionelles Spielgeschehen umfasst, und verwenden diesen Datensatz, um ein auf Transformer basierendes Bewegungsmodell zu trainieren, das menschenähnliche Team-Bewegungen für alle Spieler in einer "Retakes"-Runde des Spiels generiert. Wichtig ist, dass das Bewegungsvorhersagemodell effizient ist. Die Ausführung von Inferenzen für alle Spieler dauert weniger als 0,5 ms pro Spielzug (amortisierter Aufwand) auf einem einzelnen CPU-Kern, was seine Verwendung in kommerziellen Spielen heute plausibel macht. Menschliche Evaluatoren bewerten, dass unser Modell sich menschenähnlicher verhält als sowohl kommerziell erhältliche Bots als auch von Experten skriptgesteuerte prozedurale Bewegungssteuerungen (16% bis 59% höher nach TrueSkill-Bewertung "menschlich"). Durch Experimente mit In-Game-Bot-gegen-Bot-Selbstspielen zeigen wir, dass unser Modell einfache Formen von Teamarbeit ausführt, weniger häufige Bewegungsfehler macht und Bewegungsverteilungen, Spielerlebensdauern und Tötungspositionen erzeugt, die denen ähneln, die bei professionellen CS:GO-Matches beobachtet werden.

English

In multiplayer, first-person shooter games like Counter-Strike: Global Offensive (CS:GO), coordinated movement is a critical component of high-level strategic play. However, the complexity of team coordination and the variety of conditions present in popular game maps make it impractical to author hand-crafted movement policies for every scenario. We show that it is possible to take a data-driven approach to creating human-like movement controllers for CS:GO. We curate a team movement dataset comprising 123 hours of professional game play traces, and use this dataset to train a transformer-based movement model that generates human-like team movement for all players in a "Retakes" round of the game. Importantly, the movement prediction model is efficient. Performing inference for all players takes less than 0.5 ms per game step (amortized cost) on a single CPU core, making it plausible for use in commercial games today. Human evaluators assess that our model behaves more like humans than both commercially-available bots and procedural movement controllers scripted by experts (16% to 59% higher by TrueSkill rating of "human-like"). Using experiments involving in-game bot vs. bot self-play, we demonstrate that our model performs simple forms of teamwork, makes fewer common movement mistakes, and yields movement distributions, player lifetimes, and kill locations similar to those observed in professional CS:GO match play.