MARC

 008250123s2024        us                              c    eng  d
■001000017164866
■00520250211153056
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346382850
■035    ▼a(MiAaPQ)AAI31643418
■035    ▼a(MiAaPQ)Stanfordyz173qh1790
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a355
■1001  ▼aDurst,  David  Benjamin.
■24510▼aEfficiently  Imitating  Human  Movement  in  Counter-Strike
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a106  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  B.
■500    ▼aAdvisor:  Fatahalian,  Kayvon.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aHuman-like  agents  have  the  potential  to  drastically  improve  multiplayer,  first-person  shooter  (FPS)  games.  They  can  serve  as  engaging  teammates,  useful  practice  partners,  and  anti-social  behavior  detectors.  However,  it  is  difficult  to  create  a  multiplayer  FPS  agent  that  replicates  human  behavior,  and  in  particular  human  movement.  Despite  game  developers'  efforts  for  decades,  agents  either  struggle  with  the  wide  range  of  possible  game  situations  in  a  multiplayer  FPS,  or  are  too  computationally  inefficient  to  deploy  in  a  commercial  title.This  dissertation  contributes  a  machine  learning  (ML)-based  multiplayer  FPS  agent  that  has  some  of  the  most  human-like  behavior  demonstrated  to  date  while  also  satisfying  games'  performance  constraints.  Previous  game  developers  avoided  ML  agent  techniques  due  to  the  computational  requirements.  In  order  to  make  human-like  ML  tractable  for  real-time  use  in  a  commercial  game,  we  made  three  key  design  decisions.  First,  we  use  an  imitation  learning  approach  to  train  the  agent.  Imitation  is  the  most  direct  approach  for  creating  human-like  agents,  and  multiplayer  FPS  titles  generate  large  datasets  of  demonstrations  to  imitate.  Second,  long-term  human-like  behavior  emerges  from  our  ML  model's  short-term  predictions.  Predicting  only  the  next  few  actions  enables  us  to  automatically  generate  large  collections  of  labels  and  utilize  a  simple,  supervised  training  process.  Finally,  we  only  utilize  learning  where  necessary.  Our  agent's  hybrid  architecture  utilizes  rule-based  behavior  generators  where  possible,  and  the  ML  model's  game  state  input  is  in  a  symbolic  format  that  can  be  efficiently  processed.We  utilize  these  principles  to  create  a  complete  agent  system.  We  will  describe  the  system's  four  components.  First,  a  dataset  curation  pipeline  for  creating  a  large-scale  dataset  of  human  movement.  Second,  an  efficient,  transformer-based  movement  model  trained  to  imitate  the  dataset.  Third,  a  complete  agent,  known  as  MLMove,  that  utilizes  the  learned  movement  model  to  play  the  multiplayer  FPS  game  Counter-Strike.  Finally,  we  evaluate  if  MLMove  is  human-like.  Since  "humanness"  is  difficult  to  evaluate,  we  present  a  suite  of  evaluations,  including  a  user  study  and  large-scale  analytics,  demonstrating  that  MLMove's  behavior  is  more  human-like  than  strong  baselines  including  industry-standard  and  expert-crafted  agents.  We  discuss  our  agent's  limitations  and  the  impact  of  our  work  on  the  wider  field  of  video  game  agents.
■590    ▼aSchool  code:  0212.
■650  4▼aDefense
■650  4▼aComputer  engineering
■653    ▼aHuman-like  agents
■653    ▼aFirst-person  shooter  games
■690    ▼a0464
■690    ▼a0800
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-06B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164866▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서