Leren bewegen als professionele Counter-Strike-spelers

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

Samenvatting

In multiplayer first-person shooter games zoals Counter-Strike: Global Offensive (CS:GO) is gecoördineerde beweging een cruciaal onderdeel van hoogwaardig strategisch spel. De complexiteit van teamcoördinatie en de verscheidenheid aan omstandigheden in populaire gamekaarten maken het echter onpraktisch om handmatig beweegingsbeleid voor elk scenario te ontwerpen. We tonen aan dat het mogelijk is om een data-gedreven benadering te gebruiken om mensachtige beweegingscontrollers voor CS:GO te creëren. We hebben een teambewegingsdataset samengesteld bestaande uit 123 uur aan professionele gameplay-traceringen, en gebruiken deze dataset om een transformer-gebaseerd beweegingsmodel te trainen dat mensachtige teambewegingen genereert voor alle spelers in een "Retakes"-ronde van het spel. Belangrijk is dat het beweegingsvoorspellingsmodel efficiënt is. Het uitvoeren van inferentie voor alle spelers kost minder dan 0,5 ms per gamestap (geamortiseerde kosten) op een enkele CPU-kern, wat het geschikt maakt voor gebruik in commerciële games van vandaag. Menselijke beoordelaars stellen vast dat ons model meer op mensen lijkt dan zowel commercieel beschikbare bots als procedurele beweegingscontrollers die door experts zijn gescript (16% tot 59% hoger volgens de TrueSkill-beoordeling van "mensachtig"). Met experimenten waarbij bots tegen bots in het spel zelf spelen, demonstreren we dat ons model eenvoudige vormen van teamwork uitvoert, minder veelvoorkomende beweegingsfouten maakt, en beweegingsdistributies, spelerslevensduur en locaties van kills oplevert die vergelijkbaar zijn met die waargenomen in professionele CS:GO-wedstrijden.

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.