Bots in Spielen wie Counter-Strike sind traditionell keine Herausforderung für Profis. Das anhand von mehr als hundert Spielstunden trainierte MLMOVE könnte das ändern.
Ein Team aus Forscher:innen von der Stanford University, Activision Blizzard, Nvidia, University of Washington und Cornell University hat einen Bot namens MLMOVE entwickelt, der die Bewegungen professioneller Spieler:innen des Ego-Shooters “Counter-Strike: Global Offensive” (CS:GO) nachahmen soll.
Die Forschenden setzten Imitationslernen ein, um ein transformerbasiertes Bewegungsmodell anhand eines kuratierten Datensatzes von 123 Stunden professionellem CS:GO-Gameplay zu trainieren.
Anzeige
Laut dem Paper haben bestehende Ansätze zur Erstellung von Bots in Multiplayer-First-Person-Shooter-Spielen aufgrund der Komplexität menschlichen Verhaltens und der für Echtzeit-Gameplay erforderlichen Recheneffizienz Probleme, realistische und koordinierte Spielerbewegungen zu generieren. MLMOVE konzentriert sich auf menschenähnliche Bewegungen im beliebten “Retakes”-Spielmodus auf der Karte de_dust2.
CSKNOW: Datensatz aus 17.000 Spielstunden
Die Forscher haben für das Training einen Datensatz namens CSKNOW erstellt, der Informationen zum Spielzustand enthält, die mit 16 Hz aus über 17.000 Runden professioneller CS:GO-Matches entnommen wurden.
Dieser Datensatz diente als Grundlage für das transformerbasierte Bewegungsmodell, das die Bewegungsbefehle für alle Spieler:innen basierend auf dem aktuellen Spielzustand vorhersagt. Das Modell wurde dann mit einem regelbasierten Ziel- und Schießsystem kombiniert, um den vollständigen MLMOVE-Bot zu erstellen.
Um die Leistung von MLMOVE zu bewerten, führten die Forscher:innen eine Nutzerstudie durch, bei der menschliche Bewerter:innen die Menschenähnlichkeit von Gameplay-Videos mit menschlichen Spieler:innenn, MLMOVE und zwei anderen Baseline-Bots (GameBot und RuleMove) einstuften.
Empfehlung
Dabei haben sie MLMOVEs Bewegungen durchweg als menschenähnlicher bewertet als der regelbasierte Bot und der kommerziell verfügbare CS:GO-Bot.
Die Forscher:innen führten auch quantitative Analysen von Selbstspiel-Experimenten durch, wobei sie die Verteilung der Spielerpositionen, Instanzen von Teamwork und Spielergebnisse zwischen menschlichem Gameplay und Bot-Selbstspiel verglichen.
Die Ergebnisse deuteten darauf hin, dass MLMOVEs Verhalten in Bezug auf die Kartenbesetzung, die Nutzung von Flanken- und Ausbreitungstaktiken sowie die Verteilung von Kills und Spielerlebensdauern dem menschlichen Gameplay ähnlicher war als die Baseline-Bots.
Trainieren E-Sportler:innen bald an KI-Gegnern?
Der MLMOVE-Bot zeigt das Potenzial des Imitationslernens für die Erstellung menschenähnlicher KI-Agenten in komplexen, teambasierten Videospielen. In Zukunft könnte diese Taktik bei kompetitiven Egoshootern tatsächlich zu herausfordernden KI-Gegnern führen und womöglich sogar im Training für E-Sportler:innen zum Einsatz kommen.
Allerdings ist dabei auch anzumerken, dass sich MLMOVE nicht nur auf nur einen Titel konzentriert, sondern auch nur eine bestimmte Map in einem bestimmten Spielmodus. Für andere Spiele, andere Karten und andere Modi wäre also weiteres Training notwendig.
Weitere Informationen und Gameplayvideos finden sich auf der Projektseite.