Обучение движениям, аналогичным профессиональным игрокам в Counter-Strike

Learning to Move Like Professional Counter-Strike Players

August 25, 2024

Авторы: 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

Аннотация

В многопользовательских шутерах от первого лица, таких как Counter-Strike: Global Offensive (CS:GO), согласованное движение является ключевым компонентом стратегической игры на высоком уровне. Однако сложность координации команды и разнообразие условий на популярных игровых картах делают невозможным создание ручных политик движения для каждого сценария. Мы показываем, что возможен подход, основанный на данных, к созданию контроллеров движения, похожих на человеческие, для CS:GO. Мы составляем набор данных движения команды, включающий 123 часа следов профессиональных игр, и используем этот набор данных для обучения модели движения на основе трансформера, которая генерирует человекоподобное движение команды для всех игроков в раунде "Retakes" игры. Важно, что модель предсказания движения эффективна. Выполнение вывода для всех игроков занимает менее 0,5 мс на шаг игры (амортизированная стоимость) на одном ядре ЦП, что делает ее пригодной для использования в коммерческих играх уже сегодня. Человеческие оценщики утверждают, что наша модель ведет себя более похоже на людей, чем какие-либо доступные в продаже боты и процедурные контроллеры движения, написанные экспертами (на 16% - 59% выше по рейтингу TrueSkill "похожий на человека"). С помощью экспериментов, включающих самостоятельную игру ботов в игре, мы демонстрируем, что наша модель выполняет простые формы командной работы, делает меньше общих ошибок движения и дает распределение движения, время жизни игроков и места убийств, аналогичные наблюдаемым в профессиональных матчах 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.