ИИ-бот MLBPT в CS:GO двигается как профессиональный игрок на de_dust2

Боты в играх типа Counter-Strike обычно не представляют особой сложности для профессиональных игроков. Но MLMOVE, искусственный интеллект, обученный на более чем 100 часах геймплея, может это изменить.

Исследователи из Стэнфорда, Activision Blizzard, Nvidia, Вашингтонского университета и Корнелла создали бота под названием MLMOVE, цель которого — имитировать движения профессиональных игроков Counter-Strike: Global Offensive (CS:GO).

Команда использовала имитационное обучение для тренировки модели движения на основе трансформера на 123 часах профессиональной игры CS:GO.

Существующие боты для многопользовательских шутеров от первого лица испытывают трудности с генерацией реалистичных, скоординированных движений из-за сложности человеческого поведения и требований игрового процесса в реальном времени. MLMOVE фокусируется на человекоподобных движениях в режиме «Retakes» на карте de_dust2.

Цифры показывают долю времени, которое игроки проводят в разных регионах карты, в совокупности за 1430 игровых раундов. Тепловые карты игроков-людей и MLMove показывают большое сходство. Изображение: Durst et al.

Исследователи создали набор данных под названием CSKNOW с информацией о состоянии игры из более чем 17 000 раундов профессиональных матчей CS:GO. Этот набор данных обучил модель движения предсказывать команды движения игрока на основе текущего состояния игры. Затем модель была объединена с прицеливанием и стрельбой на основе правил для создания полноценного бота MLMOVE.

В ходе исследования пользователей оценщики неизменно оценивали движения MLMOVE как более похожие на человеческие, чем движения бота, основанного на правилах, и стандартного бота CS:GO.

Количественный анализ показал, что поведение MLMOVE больше похоже на человеческий игровой процесс с точки зрения позиционирования на карте, тактики командной работы и распределения убийств/времени жизни.

Исследователи также провели количественный анализ экспериментов с самостоятельной игрой, сравнив распределение позиций игроков, примеры командной работы и результаты игры между игрой человека и самостоятельной игрой бота.

Результаты показали, что поведение MLMOVE было больше похоже на человеческий игровой процесс, чем поведение базовых ботов с точки зрения захвата карты, использования тактики фланговых атак и распространения, а также распределения убийств и продолжительности жизни игроков.

MLMOVE демонстрирует потенциал имитационного обучения для создания человекоподобного ИИ в сложных командных играх. В будущем этот подход может привести к созданию сложных противников ИИ в соревновательных шутерах и даже использоваться для тренировки киберспортсменов.

Однако MLMOVE в настоящее время работает только для одной конкретной карты и игрового режима в CS:GO. Для расширения его на другие игры, карты и режимы потребуется дополнительное обучение.

Дополнительную информацию и видео геймплея можно найти на странице проекта .

Сгенерировано <a href="https://api.dtf.ru/v2.8/redirect?to=https%3A%2F%2Fkolersky.com%2Fmj&postId=3027962" rel="nofollow noreferrer noopener" target="_blank">Midjourney </a>через сервис KolerskyAi

Краткое содержание

Группа исследователей из Стэнфордского университета, Вашингтонского университета, Корнелльского университета, Activision Blizzard и Nvidia разработала MLMOVE — бота, который имитирует движения профессиональных игроков CS:GO, используя имитационное обучение на основе набора данных из 123 часов профессиональной игры.
Для обучения был создан набор данных CSKNOW, содержащий информацию о состоянии игры из более чем 17 000 раундов профессиональных матчей CS:GO. Модель движения на основе трансформатора предсказывает команды движения на основе этого и объединяется с системой прицеливания и стрельбы на основе правил для создания бота MLMOVE.
В количественном анализе MLMOVE показал более человеческое поведение, чем предыдущие боты с точки зрения размещения на карте, тактики и результатов игры. В будущем технология может привести к тому, что ИИ-оппоненты будут бросать вызов соперникам в соревновательных играх и в тренировках для киберспортсменов.