У багатокористувацьких шутерах від першої особи, таких як Counter-Strike: Global Offensive (CS:GO), координація рухів є одним з найважливіших аспектів стратегічної гри на високому рівні. Однак, складність синхронізації дій усіх учасників команди та різноманіття ситуацій, що виникають на популярних картах, ускладнюють створення ефективних рухових сценаріїв для кожної конкретної ситуації. Ось чому вчені запропонували альтернативний підхід, заснований на використанні реальних даних для розробки контролерів руху, які імітують людське пересування в CS:GO.
Группа дослідників представила статтю, яка вивчає це питання. У статті “Learning to Move Like Professional Counter-Strike Players” (вересень 2024 року) група дослідників з NVIDIA, Стенфордського університету, Activision Blizzard, Університету Вашингтона та Корнельського університету представила інноваційний підхід до створення більш реалістичних ботів для гри CS:GO. Команда, що працювала над дослідженням, включала таких авторів, як Девід Дерст і В. Саруккай з Стенфордського університету, Ф. Сє та К. Тейлор з Activision Blizzard, Юрія Фрозіо, Чена Тесслера, Джувана Кіма, Г. Бернштейна з Університету Вашингтона, С. Чоудхурі з Корнельського університету, а також П. Ханрахана та Кейвона Фатахаляна з Стенфорду.
Цей дослідницький матеріал був опублікований 18 вересня 2024 року на 23-му симпозіумі ACM SIGGRAPH / Eurographics з комп’ютерної анімації (SCA 2024). Результати роботи представляють нові можливості в розробці більш реалістичних персонажів та рухів у популярних відеоіграх, таких як CS:GO.
Предмет дослідження
Дослідники створили набір даних, що включає 123 години записів з професійних ігор, і використали його для навчання трансформерної моделі, здатної генерувати рухи гравців, схожі на людські, під час раунду «Retakes». Цей підхід дозволив розробити систему, що є високоефективною: прогнозування рухів усіх гравців на одному процесорному ядрі займає менше ніж 0,5 мс на кожен крок гри, що робить її придатною для використання у реальних комерційних іграх.
Дослідники представили MLMOVE, першого бота для CS:GO, який використовує модель, яка навчена на рухах гравців, для створення командних стратегій, що імітують людську поведінку. Ця модель розроблена так, щоб відповідати вимогам комерційних ігор, MLMOVE здатний управляти двома командами ботів, чия поведінка відображає типові характеристики ігрових дій людей.
Результати оцінок, проведених людськими експертами, показують, що модель руху демонструє вищий рівень схожості з реальними гравцями, ніж існуючі комерційні боти або процедурні контролери, розроблені експертами. За оцінками TrueSkill, її результат на 16-59% перевищує стандартні показники “подібності до людини”.
Окрім цього, у рамках досліджень із самограми ботів було показано, що модель ефективно реалізує прості тактичні прийоми командної гри, допускаючи набагато менше типової для ботів помилкової поведінки. Розподіл рухів, тривалість життя гравців та їх місця вбивств у грі виявилися схожими на ті, що спостерігаються у професійних матчах CS:GO.
Основні висновки
Модель MLMove: модель було навчено за допомогою 123 годин даних професійної гри в CS:GO. Вона використовує архітектуру на основі трансформера для прогнозування команд руху всіх гравців у раунді. Примітно, що вона досягає часу виведення висновків менше 0,5 мілісекунди на крок гри на одному ядрі процесора, що робить її придатною для застосування в реальному часі в комерційних іграх.
Людиноподібна поведінка: під час оцінювання оцінювачі визнали поведінку MLMove більш людиноподібною порівняно з комерційними ботами та контролерами руху, розробленими експертами. Рейтинги TrueSkill показали поліпшення сприйняття людиноподібності на 16–59%.
Динаміка команди: експерименти з самограми продемонстрували, що боти MLMove виявляють основні форми командної роботи, такі як фланкування та розтягування. Вони також робили менше типових помилок руху і демонстрували розподіл рухів, тривалість життя гравців та місця вбивств, які дуже схожі на ті, що спостерігаються в професійних матчах CS:GO.
Набір даних та методологія
Набір даних CSKNOW: команда підготувала набір даних CSKNOW, який містить понад 17 000 раундів професійних матчів CS:GO. Цей набір даних включає детальну інформацію про стан гри, що дозволяє навчити модель MLMove розуміти та відтворювати складні стратегії командних рухів.
Показники оцінки: дослідники запровадили нові показники для оцінки реалістичності рухів бота, включаючи середню похибку зміщення (ADE) та кінцеву похибку зміщення (FDE), адаптовані до середовища CS:GO. Ці показники допомогли кількісно оцінити, наскільки рухи бота відповідають поведінці людських гравців.
Висновки
Це дослідження демонструє потенціал використання підходів на основі даних для створення AI-агентів, які можуть імітувати поведінку людини в складних командних відеоіграх. Розробка MLMove відкриває можливості для створення більш реалістичних неігрових персонажів (NPC) в іграх, покращуючи умови тренувань для спортсменів-кіберспортсменів і забезпечуючи більш захоплюючий досвід для гравців.
