Imparare a muoversi come giocatori professionisti di Counter-Strike

Abstract

Nei giochi multiplayer sparatutto in prima persona come Counter-Strike: Global Offensive (CS:GO), il movimento coordinato è un componente cruciale per il gioco strategico di alto livello. Tuttavia, la complessità del coordinamento di squadra e la varietà di condizioni presenti nelle mappe più popolari rendono impraticabile la creazione manuale di politiche di movimento per ogni scenario. Dimostriamo che è possibile adottare un approccio basato sui dati per creare controller di movimento simili a quelli umani per CS:GO. Abbiamo curato un dataset di movimento di squadra comprendente 123 ore di tracce di gioco professionistico e abbiamo utilizzato questo dataset per addestrare un modello di movimento basato su transformer che genera movimenti di squadra simili a quelli umani per tutti i giocatori in un round di "Retakes" del gioco. È importante sottolineare che il modello di previsione del movimento è efficiente. Eseguire l'inferenza per tutti i giocatori richiede meno di 0,5 ms per step di gioco (costo ammortizzato) su un singolo core della CPU, rendendolo plausibile per l'uso nei giochi commerciali odierni. Valutatori umani hanno giudicato che il nostro modello si comporta in modo più simile agli esseri umani rispetto sia ai bot disponibili in commercio che ai controller di movimento procedurali scriptati da esperti (dal 16% al 59% più alto secondo il rating TrueSkill di "similitudine umana"). Attraverso esperimenti che coinvolgono partite di auto-gioco tra bot in-game, dimostriamo che il nostro modello esegue forme semplici di lavoro di squadra, commette meno errori di movimento comuni e produce distribuzioni di movimento, durate di vita dei giocatori e posizioni di uccisione simili a quelle osservate nelle partite professionali di 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.

Imparare a muoversi come giocatori professionisti di Counter-Strike

Learning to Move Like Professional Counter-Strike Players

Abstract

Support