一种数据驱动的离散化 CS:GO 模拟环境以促进战略多智能体规划研究
人工智能
2025-09-23 v2 机器学习
多智能体系统
摘要
复杂的多智能体相互作用的现代模拟环境必须在高保真细节与计算效率之间进行平衡。我们提出了 DECOY，一种新的多智能体模拟器，通过将 3D terrain 中的战略性、长期规划抽象为高层次的离散化模拟，同时保持低层次环境的保真度。以 Counter-Strike: Global Offensive（CS:GO）为测试平台，我们的框架仅使用运动决策作为战术定位进行游戏模拟——不显式地建模瞄准和射击等低层次机制。我们方法的核心是一种路标系统，用于简化和离散化连续的状态和动作，配合基于真实 CS:GO 锦标赛数据训练的神经预测和生成模型来重构事件结果。广泛的评估表明，DECOY 中从人类数据生成的重播与原始游戏中观察到的重播高度吻合。我们提供的公开模拟环境为推动战略多智能体规划和行为生成研究提供了宝贵的工具。
引用
@article{arxiv.2509.06355,
title = {A Data-Driven Discretized CS:GO Simulation Environment to Facilitate Strategic Multi-Agent Planning Research},
author = {Yunzhe Wang and Volkan Ustun and Chris McGroarty},
journal= {arXiv preprint arXiv:2509.06355},
year = {2025}
}
备注
Accepted at the Winter Simulation Conference 2025, December, Seattle USA