論文の概要: Learning to Move Like Professional Counter-Strike Players

• arxiv url: http://arxiv.org/abs/2408.13934v1
• Date: Sun, 25 Aug 2024 20:43:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 15:22:15.517300
• Title: Learning to Move Like Professional Counter-Strike Players
• Title（参考訳）: プロのカウンタ・ストライクプレイヤーのように動くことを学ぶ
• Authors: David Durst, Feng Xie, Vishnu Sarukkai, Brennan Shacklett, Iuri Frosio, Chen Tessler, Joohwan Kim, Carly Taylor, Gilbert Bernstein, Sanjiban Choudhury, Pat Hanrahan, Kayvon Fatahalian,
• Abstract要約: CS:GO用の人型モーションコントローラの開発には,データ駆動によるアプローチが可能であることを示す。 我々は、ゲームの「リテイク」ラウンドにおいて、すべてのプレイヤーに対して人間のようなチームの動きを生成するトランスフォーマーベースの運動モデルを訓練する。 我々は,本モデルが単純なチームワークを行い,共通の動作ミスを少なくし,プロのCS:GOと類似した移動分布,プレイヤーの寿命,殺傷位置を得られることを示す。
• 参考スコア（独自算出の注目度）: 22.974835711827293
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: マルチプレイヤーでは、Counter-Strike: Global Offensive (CS:GO)のようなファーストパーソンシューティングゲームでは、コーディネート・ムーブメントはハイレベル戦略プレイの重要な要素である。 しかし、チームのコーディネーションの複雑さと人気のあるゲームマップに存在する様々な条件は、あらゆるシナリオに対して手作りのムーブメントポリシーを書くのに実用的ではない。 CS:GO用の人型モーションコントローラを作成するためには,データ駆動型アプローチが可能であることを示す。 123時間のプロゲームプレイトレースからなるチームムーブメントデータセットをキュレートし、このデータセットを使用して、ゲームの「リテイク」ラウンドで全てのプレイヤーに対して人間のようなチームムーブメントを生成するトランスフォーマーベースのムーブメントモデルをトレーニングする。 重要なことは、動き予測モデルは効率的である。 すべてのプレイヤーに対する推論の実行には、単一のCPUコア上でのゲームステップ(調整コスト)あたり0.5ms以下で、今日の商用ゲームでの使用に適している。 人間の評価は、私たちのモデルは、市販のボットや専門家によってスクリプト化された手続き型モーションコントローラ(TrueSkillの評価では16%から59%)よりも人間らしく振る舞うと評価します。 ゲーム内ボットとボットの自己プレイを含む実験を用いて、我々のモデルは単純なチームワークを行い、共通の運動ミスを減らし、プロのCS:GOの試合で見られるような場所の移動分布、プレイヤー寿命、殺傷を行うことを示した。

関連論文リスト

• DexDribbler: Learning Dexterous Soccer Manipulation via Dynamic Supervision [26.9579556496875]
  移動物体の協調操作と,サッカーなどの足による移動は,学習コミュニティにおいて目立たない注目を集める。 出力をダイナミックな関節レベル移動監視として使用し,必要な身体レベルの動きを正確に計算するフィードバック制御ブロックを提案する。 我々は,我々の学習手法が政策ネットワークをより早く収束させるだけでなく,サッカーロボットが高度な操作を行うことを可能にすることを観察した。
  論文  参考訳（メタデータ） (2024-03-21T11:16:28Z)
• Physics-based Motion Retargeting from Sparse Inputs [73.94570049637717]
  商用AR/VR製品はヘッドセットとコントローラーのみで構成されており、ユーザーのポーズのセンサーデータは非常に限られている。 本研究では, 多様な形態のキャラクタに対して, 粗い人間のセンサデータからリアルタイムに動きをターゲットする手法を提案する。 アバターのポーズは、下半身のセンサー情報がないにもかかわらず、驚くほどよくユーザと一致していることを示す。
  論文  参考訳（メタデータ） (2023-07-04T21:57:05Z)
• Learning Agile Soccer Skills for a Bipedal Robot with Deep Reinforcement Learning [26.13655448415553]
  Deep Reinforcement Learning (Deep RL)は、低コストでミニチュアなヒューマノイドロボットのための洗練された安全な運動スキルを合成することができる。 我々はDeep RLを使って、20個の関節を持つヒューマノイドロボットを訓練し、1対1(1v1)のサッカーゲームを単純化した。 結果として得られるエージェントは、急激な転倒回復、歩行、回転、蹴りなど、堅牢でダイナミックな動きのスキルを示す。
  論文  参考訳（メタデータ） (2023-04-26T16:25:54Z)
• Zero-Shot Robot Manipulation from Passive Human Videos [59.193076151832145]
  我々は,人間の映像からエージェント非依存の行動表現を抽出するフレームワークを開発した。 我々の枠組みは、人間の手の動きを予測することに基づいている。 トレーニングされたモデルゼロショットを物理ロボット操作タスクにデプロイする。
  論文  参考訳（メタデータ） (2023-02-03T21:39:52Z)
• GenLoco: Generalized Locomotion Controllers for Quadrupedal Robots [87.32145104894754]
  四足歩行ロボットのための汎用ロコモーション(GenLoco)コントローラを訓練するためのフレームワークを提案する。 本フレームワークは,多種多様な四足歩行ロボットに展開可能な汎用ロコモーションコントローラを合成する。 我々のモデルは、より一般的な制御戦略を取得し、新しいシミュレーションロボットや実世界のロボットに直接移行できることを示す。
  論文  参考訳（メタデータ） (2022-09-12T15:14:32Z)
• Synthesis and Execution of Communicative Robotic Movements with Generative Adversarial Networks [59.098560311521034]
  我々は、繊細な物体を操作する際に人間が採用するのと同じキネマティクス変調を2つの異なるロボットプラットフォームに転送する方法に焦点を当てる。 我々は、ロボットのエンドエフェクターが採用する速度プロファイルを、異なる特徴を持つ物体を輸送する際に人間が何をするかに触発されて調整する。 我々は、人体キネマティクスの例を用いて訓練され、それらを一般化し、新しい有意義な速度プロファイルを生成する、新しいジェネレーティブ・アドバイサル・ネットワークアーキテクチャを利用する。
  論文  参考訳（メタデータ） (2022-03-29T15:03:05Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• Action Recognition using Transfer Learning and Majority Voting for CSGO [0.6875312133832078]
  本論文は, 4つの異なる行動の正確な予測モデルを構築し, 5つの異なる伝達学習モデルと, 自己発達した深層ニューラルネットワークの性能を比較することを目的とする。 このモデルにより、HLTVのデータ収集の問題を解決するとともに、より多くのデータを収集・処理する自動システムの構築が容易になる。
  論文  参考訳（メタデータ） (2021-11-06T13:33:20Z)
• From Motor Control to Team Play in Simulated Humanoid Football [56.86144022071756]
  我々は、現実的な仮想環境でサッカーをするために、物理的にシミュレートされたヒューマノイドアバターのチームを訓練する。 一連の段階において、プレイヤーはまず、現実的な人間のような動きを実行するために、完全に関節化された身体を制御することを学習する。 その後、ドリブルやシューティングといった中級のサッカーのスキルを身につける。 最後に、彼らは他の人を意識し、チームとしてプレーし、ミリ秒のタイムスケールで低レベルのモーターコントロールのギャップを埋める。
  論文  参考訳（メタデータ） (2021-05-25T20:17:10Z)
• Counter-Strike Deathmatch with Large-Scale Behavioural Cloning [34.22811814104069]
  本稿では,FPSゲーム『Counter-Strike; Global Offensive』を画素入力から再生するAIエージェントについて述べる。 ディープニューラルネットワークであるエージェントは、デスマッチゲームモードでのAI内蔵中難易度のパフォーマンスにマッチし、人間のようなプレイスタイルを採用しています。
  論文  参考訳（メタデータ） (2021-04-09T09:12:12Z)
• Valuing Player Actions in Counter-Strike: Global Offensive [4.621805808537653]
  ゲーム内CSGOイベント7000万以上を使用して、当社のフレームワークの一貫性と独立性を実証します。 また,高インパクトプレイ識別と不確実性推定のユースケースも提供する。
  論文  参考訳（メタデータ） (2020-11-02T21:11:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。