CS:GO策略,分析:看看Bayes电子竞技如何使用AI分析数据

在这篇文章中,Gustav Geissler,Bayes Esports的数据科学家, 详细说明Bayes如何使用AI分析CS:GO策略.

 ,选择和执行一个策略可以决定你的游戏成败.

如果两支技术水平相同的球队面对面比赛,那么球队的策略对比赛结果的影响要远大于单个球员的技术水平.

当面对更强大的对手时,战略思维变得更加重要.

虽然你不能机械地胜过他们,但你仍然可以通过聪明取胜.

玩(和赢!)因此,在职业水平上,你需要对自己和对手的策略进行严格的赛前分析.

这对于国际象棋、足球或任何其他竞技运动来说都是老生常谈,对于CS:GO来说也是如此.

一般来说,策略是一种解决问题的方法,它会产生你喜欢的结果.

在CS:GO的背景下,我们将一轮胜利视为团队努力的目标,并将玩家路径、武器选择和手榴弹使用的组合视为实现目标的策略.

在这篇文章中,我们将重点放在空间组成部分-路线和位置球员选择在每一轮开始.

为简单起见,我们将此称为团队的策略.

像这样的位置分析早已在大多数经典运动中以明确的方式进行过(想想像国际象棋中的皇后棋这样的开局动作或足球中的4-4-2这样的阵型).

与此相比,CS:GO中的策略仍然是以描述性的方式(“炸弹+一个短,休息一个长,烟雾中盒”)或以名称(“3+2 B-Split”)来引用的,这使得许多执行过程有待解释.

相同策略的调用方式也可能因源代码而异.

我们在Bayes电子竞技认为现在是时候专业化这一部分的游戏.

想想你的平均CS:GO地图.

它有两个爆炸点和从恐怖分子滋生区到达它们的几种方式(在CS:GO中,恐怖分子一方是攻击方.

这里的目标是放置炸弹,而反恐的目标是阻止或拆除炸弹工厂).

因此,攻击小组必须决定以哪个炸弹地点为目标,谁将携带炸弹,最后,每个玩家将去哪里.

正如手榴弹和武器的选择起着很大的作用,球员的移动路径可能至少对球队赢得一轮比赛的成功同样重要.

开始我们的分析,我们可以观察地图上曾经玩过的所有策略,并为它们分配编号.

这将是将策略放入系统的最简单方法,但由于缺乏描述性,几乎没有游戏内使用的价值.

此外,你需要记住的使用这种方法的策略数量之多,使它实际上毫无用处.

显然,我们需要一个新的系统,使球员和教练的生活更容易.

不是没有数字就行,而是数字更具描述性,不需要太多记忆.

Bayes电子竞技提出了一个这样的系统,它为任何不同的策略提供了一个数字.

由于额外信息相对较少,仅此数字就可以告诉您策略是什么样子的.

当我们查看策略时,通常会考虑整个团队是如何行动的.

但是个人球员对整体来说有多重要呢?如果只有一个玩家走了一条稍有不同的道路-这仍然是相同的策略吗?如果没有,有多少玩家必须改变他们的路径,使之成为一个新的?如果所有玩家都遵循相同的路径,但炸弹在下一次执行策略时由不同的玩家携带,那么策略会发生什么变化呢?正如我们所见,所有这些细节都很重要.

因此,应该通过对战略的描述来阐明这些问题.

因此,我们不是把团队的动作作为一个整体来看待,而是把它分解,看看它实际上由哪些单独的动作组成.

那么策略就是所有参与者路径的组合.

为炸弹移动添加一个额外的路径(因为它可以被一个玩家扔下,然后被另一个玩家捡起),你就可以非常准确地描述在一轮CS:GO中发生的事情,事实上,通过分析数以万计的ro由专业的CS:GO玩家玩的unds,我们发现几乎所有(>98%)的策略都可以被解构成玩家不到十种不同路径的组合,这取决于地图.

这听起来像是一个小数目,但它们可以组合成的可能策略的数量是很大的.

比方说,有四条攻击炸弹地点的路径,所有玩家都随机选择其中一条.

仅此一项(并考虑到不同的可能的炸弹载体)就为我们提供了一个巨大的280种不同的可能的战略方法!,我们的系统可以用六个数字来描述每一个策略:一个代表每个玩家的移动路径,一个代表炸弹的移动路径.

为了检测播放的策略,我们训练了一个卷积神经网络来识别每个玩家的路径.

聚类过程将在数千轮中发现的路径划分为大约7到10个聚类,即不同的路径,并为它们分配相应的编号.

任何一轮的策略都可以用所走路径的数量来描述.

这样,任何历史性的,甚至正在进行的游戏都可以被分析.

让我们使用Dust2来更仔细地了解它是如何工作的.

有八种可能的路径,T边球员可以采取在一轮开始.

我们随机给他们分配了数字1到8,下图在左边显示了一个Dust2圆的鸟瞰图.

所有恐怖分子的路线都用不同的颜色标出.

我们可以看到这个团队分成两个小组,每个小组走不同的路.

尽管每个小组的每个参与者的动作略有不同,但我们的神经网络可以检测出他们走的是哪条路.

我们给这些路径分配了数字2和4.

在这个例子中,三个玩家选择路径2,两个玩家选择路径4.

假设炸弹路径与这个例子中选择路径4的玩家的路径一致.

然后我们可以用4-22244来描述这个策略,按照惯例,炸弹运动是第一个数字.

由于我们不跟踪单个玩家,所以其他路径号按升序排序.

通过我们的神经网络,提取和标记这些路径的过程可以完全自动化.

识别结果显示在上图的右侧.

我们可以用类似的方式描述Dust2上的任何策略,无论玩家选择哪种策略.

一旦记住了不同路径上的数字,分析地图上的T边策略就变得轻而易举了.

一旦我们为大量的职业比赛做了这项工作,CS:GO比赛的统计分析就变得异常简单.

下面是一些统计值的例子,这些统计值可能会引起球员、教练和观众的兴趣,由Bayes-Esports计算得出.

这些数字只针对Dust2的恐怖分子,在过去的18个月里,他们使用了数千轮职业比赛(主要包括世界排名前30位的球队,但也包括与之相近的其他球队),22%的回合使用了三种最常用的策略:,80%的Dust2回合可以用160种不同的策略(个别路径的组合)来描述,但我们可以更深入地讨论,交叉引用团队经济、回合获胜概率和其他衡量标准的策略.

我们可以看看个人球队和球员的偏好.

当然,我们可以添加CT行为(除了T边行为)来全面了解两支球队是如何对抗对方的.

这种处理CS:GO策略的新方法使得系统化和比较它们变得很容易.

与单独命名的策略不同,我们的编号系统不接受不同的解释,也不需要我们想出,然后记住,唯一的任意标识符.

这一切都是自动完成的.

一旦确定了策略,它就为CS的新的统计分析打开了一扇大门:围棋游戏,无论是为了更深入地理解游戏机制,为即将到来的比赛做准备,还是为了电子竞技博彩、观看和现场通信提供更详细的回合信息请阅读我们赞助商/广告的电子竞技杂志.