Aprendiendo a Moverse como los Jugadores Profesionales de Counter-Strike.

Learning to Move Like Professional Counter-Strike Players

August 25, 2024

Autores: 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

Resumen

En los juegos de disparos en primera persona multijugador como Counter-Strike: Global Offensive (CS:GO), el movimiento coordinado es un componente crítico en el juego estratégico de alto nivel. Sin embargo, la complejidad de la coordinación de equipos y la variedad de condiciones presentes en los mapas de juegos populares hacen impracticable la creación de políticas de movimiento hechas a mano para cada escenario. Mostramos que es posible adoptar un enfoque basado en datos para crear controladores de movimiento similares a los humanos para CS:GO. Curamos un conjunto de datos de movimiento de equipo que comprende 123 horas de trazas de juego profesional, y utilizamos este conjunto de datos para entrenar un modelo de movimiento basado en transformadores que genera movimiento de equipo similar al humano para todos los jugadores en una ronda de "Retakes" del juego. Es importante destacar que el modelo de predicción de movimiento es eficiente. Realizar inferencias para todos los jugadores toma menos de 0.5 ms por paso de juego (costo amortizado) en un solo núcleo de CPU, lo que lo hace plausible para su uso en juegos comerciales hoy en día. Evaluadores humanos determinan que nuestro modelo se comporta más como humanos que tanto los bots disponibles comercialmente como los controladores de movimiento procedurales escritos por expertos (16% a 59% más alto según la calificación de "similar al humano" de TrueSkill). Mediante experimentos que involucran el autojuego de bots en el juego, demostramos que nuestro modelo realiza formas simples de trabajo en equipo, comete menos errores comunes de movimiento y produce distribuciones de movimiento, tiempos de vida de los jugadores y ubicaciones de eliminación similares a las observadas en partidas profesionales de CS:GO.

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.