전문 카운터-스트라이크 플레이어처럼 움직이는 법 배우기

Learning to Move Like Professional Counter-Strike Players

August 25, 2024

저자: 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

초록

멀티플레이어, 일인칭 슈팅 게임인 Counter-Strike: Global Offensive (CS:GO)와 같은 게임에서는 조정된 움직임이 고수준 전략 플레이의 중요한 구성 요소입니다. 그러나 인기 있는 게임 맵에서의 다양한 조건과 팀 조정의 복잡성으로 모든 시나리오에 대한 수동으로 작성된 움직임 정책을 작성하는 것은 현실적이지 않습니다. 우리는 CS:GO를 위해 인간과 유사한 움직임 컨트롤러를 생성하기 위해 데이터 주도 접근 방식을 취할 수 있다는 것을 보여줍니다. 우리는 123시간의 프로 게임 플레이 추적으로 구성된 팀 움직임 데이터셋을 선별하고, 이 데이터셋을 사용하여 게임의 "Retakes" 라운드에 참여하는 모든 플레이어를 위한 인간과 유사한 팀 움직임을 생성하기 위해 transformer 기반의 움직임 모델을 훈련시킵니다. 중요한 점은, 움직임 예측 모델이 효율적이라는 것입니다. 모든 플레이어에 대한 추론은 단일 CPU 코어에서 게임 단계 당 0.5밀리초 미만의 시간이 소요되며(분할 비용), 현재 상용 게임에서 사용 가능하다는 것을 가능하게 합니다. 인간 평가자들은 우리 모델이 상업용 봇 및 전문가가 스크립트로 작성한 절차적 움직임 컨트롤러보다 더 인간과 유사하게 행동한다고 평가합니다("인간과 유사한" TrueSkill 등급으로 16%에서 59% 더 높음). 인게임 봇 대 봇 자가 대결을 포함하는 실험을 통해, 우리 모델이 간단한 형태의 팀워크를 수행하고, 일반적인 움직임 실수를 더 적게하며, 프로페셔널 CS:GO 경기에서 관찰된 것과 유사한 움직임 분포, 플레이어 수명 및 킬 위치를 제공함을 입증합니다.

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.