Apprentissage pour bouger comme les joueurs professionnels de Counter-Strike

Learning to Move Like Professional Counter-Strike Players

August 25, 2024

Auteurs: 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

Résumé

Dans les jeux de tir à la première personne multijoueurs comme Counter-Strike: Global Offensive (CS:GO), le mouvement coordonné est un élément essentiel des stratégies de haut niveau. Cependant, la complexité de la coordination d'équipe et la diversité des conditions présentes dans les cartes de jeu populaires rendent impraticable la création manuelle de politiques de mouvement pour chaque scénario. Nous montrons qu'il est possible d'adopter une approche basée sur les données pour créer des contrôleurs de mouvement semblables à ceux des humains pour CS:GO. Nous avons constitué un ensemble de données sur le mouvement d'équipe comprenant 123 heures de traces de jeu professionnel, et avons utilisé cet ensemble de données pour entraîner un modèle de mouvement basé sur un transformateur qui génère un mouvement d'équipe semblable à celui des humains pour tous les joueurs dans une manche de "Retakes" du jeu. Il est important de noter que le modèle de prédiction de mouvement est efficace. Effectuer des inférences pour tous les joueurs prend moins de 0,5 ms par étape de jeu (coût amorti) sur un seul cœur de CPU, ce qui le rend utilisable dans les jeux commerciaux actuels. Des évaluateurs humains ont évalué que notre modèle se comporte plus comme des humains que les bots disponibles dans le commerce et les contrôleurs de mouvement procéduraux scriptés par des experts (de 16% à 59% de plus selon l'évaluation TrueSkill de "semblable à un humain"). En utilisant des expériences impliquant des affrontements de bots en jeu, nous démontrons que notre modèle réalise des formes simples de travail d'équipe, commet moins d'erreurs de mouvement courantes, et produit des distributions de mouvement, des durées de vie des joueurs et des emplacements de kill similaires à ceux observés lors de parties professionnelles 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.