MLMOVE: KI-Bot für CS:GO imitiert professionelle Spielerbewegungen auf de_dust2

Einführung

In der Welt der kompetitiven First-Person-Shooter wie Counter-Strike: Global Offensive (CS:GO) sind Bots oft als einfache Gegner bekannt, die es selbst unerfahrenen Spielern nicht schwer machen, sie zu besiegen. Doch ein neues Projekt namens MLMOVE, entwickelt von Forschern der Stanford University, University of Washington, Cornell University, Activision Blizzard und Nvidia, könnte dies ändern. MLMOVE zielt darauf ab, die Bewegungen professioneller CS:GO-Spieler zu replizieren und stellt damit eine neue Herausforderung für Spieler dar.

Die Entstehung von MLMOVE

Die Entwicklung von MLMOVE basiert auf der sogenannten Imitationslerntechnologie, bei der ein transformerbasiertes Bewegungsmodell auf 123 Stunden professionellem CS:GO-Gameplay trainiert wurde. Dieses Modell wurde speziell für den "Retakes"-Modus auf der beliebten Karte de_dust2 entwickelt. Ziel war es, menschliche Bewegungen so realistisch wie möglich nachzubilden.

Das CSKNOW-Datenset

Um MLMOVE zu trainieren, erstellten die Forscher ein umfangreiches Datenset namens CSKNOW, das Informationen aus über 17.000 Runden professioneller CS:GO-Matches enthält. Dieses Datenset dient dazu, die Bewegungsbefehle der Spieler basierend auf dem aktuellen Spielzustand vorherzusagen. Das Bewegungsmodell wurde anschließend mit einem regelbasierten Ziel- und Schusssystem kombiniert, um den kompletten MLMOVE-Bot zu erschaffen.

Leistungsbewertung

In einer Benutzerstudie bewerteten menschliche Rater die Bewegungen von MLMOVE konsistent als menschlicher im Vergleich zu einem regelbasierten Bot und dem Standard-CS:GO-Bot. Quantitative Analysen zeigten, dass das Verhalten von MLMOVE in Bezug auf Kartenplatzierung, Teamarbeitstaktiken und Kill-/Lebenszeitverteilungen dem menschlichen Gameplay ähnlicher war.

Selbstspielexperimente

Die Forscher führten auch quantitative Analysen von Selbstspielexperimenten durch, bei denen die Verteilung der Spielerpositionen, die Häufigkeit von Teamarbeit und die Spielergebnisse zwischen menschlichem Gameplay und Bot-Selbstspiel verglichen wurden. Die Ergebnisse zeigten, dass das Verhalten von MLMOVE in Bezug auf Kartenbesetzung, Nutzung von Flankierungs- und Verbreitungstaktiken sowie die Verteilung von Kills und Spielerlebenszeiten dem menschlichen Gameplay ähnlicher war als die der Basis-Bots.

Die Zukunft der KI-Gegner im E-Sport

MLMOVE demonstriert das Potenzial von Imitationslernen zur Schaffung menschenähnlicher KI in komplexen Teamspielen. In Zukunft könnte dieser Ansatz zu herausfordernden KI-Gegnern in kompetitiven Shootern führen und sogar zur Ausbildung von E-Sport-Athleten genutzt werden. Allerdings funktioniert MLMOVE derzeit nur für eine spezifische Karte und einen Spielmodus in CS:GO. Weitere Trainings wären nötig, um es auf andere Spiele, Karten und Modi auszuweiten.

Schlussfolgerung

Die Entwicklung von MLMOVE stellt einen bedeutenden Fortschritt in der Welt der KI-gesteuerten Bots für Videospiele dar. Durch die Nutzung von Imitationslernen und umfangreichen Datensätzen können Bots geschaffen werden, die menschliches Verhalten in Spielen genauer nachahmen. Dies könnte nicht nur das Spielerlebnis verbessern, sondern auch neue Möglichkeiten für das Training und die Ausbildung von E-Sport-Athleten eröffnen.

Quellen

- https://the-decoder.com/mlmove-csgo-bot-moves-like-a-professional-player-on-de_dust2/ - https://arxiv.org/html/2408.13934v1 - https://diglib.eg.org/bitstream/handle/10.1111/cgf15173/v43i8_cgf15173.pdf - https://www.reddit.com/r/LearnCSGO/comments/jez7fo/is_there_a_way_to_move_the_camera_independent_of/ - https://www.youtube.com/watch?v=vUUUUgSO_8Q - https://diglib.eg.org/bitstreams/9247c333-0a6d-4601-af58-73d9b1c665c7/download - https://leetify.com/blog/best-cs2-practice-commands/ - https://dmarket.com/blog/csgo-bot-commands/ - https://cs.money/blog/esports/take-control-commands-to-manage-bots/?srsltid=AfmBOorNyEGecf778eY0-iPl3IMe7m2qZHdow7vfaCELHV50iSJtRw8O - https://www.youtube.com/watch?v=ZjVCdnwVgxo