学习像专业反恐精英玩家一样移动
机器学习
2024-08-27 v1 人工智能
图形学
摘要
在类似反恐精英：全球作战（CS:GO）的多人第一人称射击游戏中，协调的移动是高级战术布局的关键组成部分。然而，由于热门游戏地图上情境多样性和团队协调复杂性，为每种情境编写手工编写的移动策略实际上不可行。我们展示了采用数据驱动方法为 CS:GO 创建类人移动控制器的可能性。我们精选了由 123 小时专业比赛轨迹组成的团队移动数据集，并利用此数据集训练一个基于转换器的移动模型，用于生成游戏“Retakes”回合中所有玩家的类人移动。重要的是，移动预测模型效率很高。单核 CPU 上进行所有玩家的推理耗时不足 0.5 毫秒（摊销成本），这在当今商业游戏中完全可行。人类评估者评估我们的模型在类人行为方面比现有的商业机器人和由专家编写的程序化移动控制器更像人类（16%~59% 的 TrueSkill 评分提升）。通过包含游戏内机器人对机器人自我对弈实验，我们展示我们的模型执行简单的团队协作，犯错更少，产生的移动分布、玩家存活时间和击杀位置与专业 CS:GO 比赛中观察到的类似。
引用
@article{arxiv.2408.13934,
title = {Learning to Move Like Professional Counter-Strike Players},
author = {David Durst and Feng Xie and Vishnu Sarukkai and Brennan Shacklett and Iuri Frosio and Chen Tessler and Joohwan Kim and Carly Taylor and Gilbert Bernstein and Sanjiban Choudhury and Pat Hanrahan and Kayvon Fatahalian},
journal= {arXiv preprint arXiv:2408.13934},
year = {2024}
}
备注
The project website is at https://davidbdurst.com/mlmove/