Aprendendo a se Mover como Jogadores Profissionais de Counter-Strike

Learning to Move Like Professional Counter-Strike Players

August 25, 2024

Autores: 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

Resumo

Em jogos de tiro em primeira pessoa multiplayer, como o Counter-Strike: Global Offensive (CS:GO), o movimento coordenado é um componente crítico para jogadas estratégicas de alto nível. No entanto, a complexidade da coordenação de equipe e a variedade de condições presentes em mapas de jogos populares tornam impraticável a criação de políticas de movimento feitas manualmente para cada cenário. Mostramos que é possível adotar uma abordagem baseada em dados para criar controladores de movimento semelhantes aos humanos para o CS:GO. Curamos um conjunto de dados de movimento em equipe composto por 123 horas de trajetórias de jogo profissional e usamos esse conjunto de dados para treinar um modelo de movimento baseado em transformadores que gera movimentos em equipe semelhantes aos humanos para todos os jogadores em uma rodada de "Retakes" do jogo. É importante destacar que o modelo de previsão de movimento é eficiente. Realizar inferências para todos os jogadores leva menos de 0,5 ms por etapa de jogo (custo amortizado) em um único núcleo de CPU, tornando-o viável para uso em jogos comerciais hoje. Avaliadores humanos afirmam que nosso modelo se comporta mais como humanos do que tanto os bots disponíveis comercialmente quanto os controladores de movimento procedurais programados por especialistas (16% a 59% mais alto pela classificação TrueSkill de "semelhante a humano"). Por meio de experimentos envolvendo autojogo de bots in-game, demonstramos que nosso modelo realiza formas simples de trabalho em equipe, comete menos erros comuns de movimento e gera distribuições de movimento, tempos de vida dos jogadores e locais de morte semelhantes aos observados em partidas profissionais 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.