プロのカウンターストライクプレイヤーのように動くことを学ぶ

Learning to Move Like Professional Counter-Strike Players

August 25, 2024

著者: 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

要旨

マルチプレイヤーのファーストパーソン・シューティングゲーム、例えばCounter-Strike: Global Offensive（CS:GO）において、連携した動きは高度な戦略プレイにおいて重要な要素です。しかしながら、人気のあるゲームマップに存在する多様な条件とチームの連携の複雑さから、あらゆるシナリオに手作りの動きポリシーを作成することは非現実的です。私たちは、CS:GO向けに人間らしい動きコントローラーを作成するためにデータ駆動アプローチを取ることが可能であることを示します。プロのゲームプレイトレース123時間からなるチーム動きデータセットを収集し、このデータセットを使用して、"Retakes"ラウンドにおいて全プレイヤーに人間らしいチーム動きを生成するためのトランスフォーマーベースの動きモデルを訓練します。重要なのは、動き予測モデルが効率的であることです。全プレイヤーに対する推論は、1ゲームステップあたり0.5ミリ秒未満（総コスト）で単一CPUコアで実行され、現在の商用ゲームでの使用が可能であると考えられます。人間の評価者は、私たちのモデルが商用ボットや専門家によってスクリプト化された手続き型動きコントローラー（TrueSkill評価による"人間らしい"の16%から59%高い）よりも人間らしい振る舞いをすると評価しています。ゲーム内ボット同士の自己対戦を含む実験を通じて、私たちのモデルが単純なチームワークを行い、一般的な動きミスが少なく、プロのCS:GOマッチプレイで観察されるものと類似した動き分布、プレイヤーの寿命、そしてキルの位置を生み出すことを示します。

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.