Создание искусственного интеллекта для таких игр, как Geometry Dash и Google Dino, предполагает использование алгоритмов нейронной эволюции. Однако этот подход не работает повсеместно, поскольку ИИ сначала необходимо обучить игре, что сродни обучению ребенка. Как правило, копия игры модифицируется с помощью датчиков и позволяет проводить одновременное сравнение между несколькими игроками. Затем создаются поколения, в которых успешные геномы вознаграждаются, а менее успешные получают штрафы, пока не будет создан оптимальный геном.
Создание искусственного интеллекта для игры в Counter-Strike непосредственно в игре, а не для ее тиражирования, представляет собой уникальную задачу. Такой искусственный интеллект потенциально мог бы выигрывать матчи, не задействуя античит-системы, такие как VAC. Это позволило бы автономно собирать кейсы и вознаграждения, соблюдая при этом правила, избегая запретов, поскольку нарушений не происходит.
В 2022 году будет представлена идея о том, что роботы должны иметь право участвовать в онлайн-играх. Концепция бота, играющего от чьего-либо имени, вызывает споры об их включении и правах в цифровое пространство. Поддержка этой идеи поощряется лайками и комментариями с использованием хэштегов, таких как #robot, символизирующих принятие в киберпанковское будущее.
Цель состоит в разработке нейронной сети, способной автономно играть в CS:GO. Подход фокусируется на трех основных навыках для успешного игрового процесса: восприятие игры с высокой частотой кадров, точное прицеливание и стрельба (предпочтительно в голову), а также эффективная навигация в игровой среде.
Вдохновленный видеороликом на YouTube, в котором кто-то обучал искусственный интеллект вождению в GTA V с помощью компьютерного зрения, процесс включал в себя захват игровых скриншотов со скоростью 10-15 кадров в секунду для анализа. Этот метод имитирует подход Tesla к использованию визуальных данных для систем автономного вождения. Чтобы повторить этот эксперимент, был написан код на Python, включающий библиотеку OpenCV для компьютерного зрения и библиотеку MSS для захвата экрана.
Изначально программа фиксировала в среднем 20 кадров в секунду, что было неплохим результатом. Для повышения производительности код был переписан, чтобы включить многопоточность, разделив процессы захвата и отображения скриншотов. Эта оптимизация увеличила частоту кадров до 30 кадров в секунду, продемонстрировав значительное повышение эффективности.
Задача заключается в обучении нейронной сети распознавать объекты и игроков на игровых изображениях, отличая союзников от врагов. Для этого требуется, чтобы модель не только идентифицировала, но и точно классифицировала эти элементы. Выбор был сделан в пользу TensorFlow, библиотеки машинного обучения Google, предназначенной для создания и обучения нейронных сетей, способных достичь качества восприятия, подобного человеческому.
Процесс настройки обучения нейронной сети с помощью графического процессора в Windows описывается как крайне сложный и сопряженный с многочисленными трудностями. Докладчик с юмором предполагает, что обсуждение деталей приведет к чрезмерному использованию ненормативной лексики и потенциальному запрету видео. Они клянутся никогда больше не тренировать нейронные сети с использованием графических процессоров в Windows из-за этих трудностей, намекая на общие трудности среди тех, кто пытался это сделать.
Чтобы обучить нейронную сеть распознавать объекты, ей сначала необходимо подробно показать эти объекты. Для этой цели в качестве обучающих данных было собрано 700 скриншотов из игры Counter-Strike. Каждое изображение было помечено вручную с помощью специализированного программного обеспечения, путем выделения определенных классов, таких как полные тела и головы, как для контртеррористов, так и для террористов. Эти аннотации преобразуются в форматы, такие как XML или CSF, перед созданием файла записи TF, необходимого для обучения модели. Кроме того, требуется сопоставление меток, поскольку нейронные сети обрабатывают числовые представления классов; наконец, конфигурационные файлы, указывающие количество классов и пути к ним, завершают настройку.
Процесс обучения нейронной сети зависит от аппаратного обеспечения, в частности от графического процессора. При использовании RTX 2080 Ti обучение заняло примерно 2-3 часа, но для удобства его можно отложить на ночь. Первые результаты были впечатляющими; модель с высокой точностью идентифицировала врагов на игровых скриншотах, обводя их рамками, включая, по возможности, положение головы. Такого уровня детализации достаточно для обеспечения функциональности прицеливания.
Создатели игры "Небо из Таркова" изначально разрабатывали браузерные игры, такие как Street Wars и Contract Wars, которые привлекли миллионы благодаря своему удобству - не требовалось скачивать или покупать. Если вам интересно научиться создавать такие игры с нуля, вы можете пройти бесплатный курс на платформе Yandex Games. Этот курс обучает основам движка Unity, включая навигацию, создание объектов, написание сценариев для управления персонажами, добавление анимации, интеграцию эффектов и звуковое оформление. Это также позволяет загружать вашу игру на платформу для монетизации без необходимости саморекламы, поскольку Яндекс занимается привлечением трафика.
Во время тестирования способности нейронной сети распознавать игроков в Counter-Strike возникла неожиданная проблема. Во время игрового процесса количество скриншотов резко сократилось до 10 в секунду, что сделало невозможным эффективное реагирование из-за низкой частоты кадров. Запись экрана еще больше ухудшила производительность, еще больше сократив количество кадров и сделав невозможными правильные реакции. Несмотря на такие усилия, как внедрение многопоточных решений, проблема сохранялась.
Проблема возникает, когда нейронная сеть потребляет почти все ресурсы видеокарты, оставляя недостаточную мощность для других задач, таких как игры. Это приводит к значительным задержкам при обработке кадров. Предлагается два решения: добавить еще один графический процессор для выполнения отдельных задач или использовать два компьютера — один для запуска игр, а другой для работы с нейронной сетью через разъем Wi-Fi.
Переход на библиотеку нейронных сетей YOLO дает значительное преимущество в скорости по сравнению с TensorFlow, который работает медленнее. Хотя у TensorFlow есть свои достоинства, YOLO работает как высокопроизводительное транспортное средство, идеально подходящее для задач обнаружения объектов в реальном времени. Это делает его оптимальным выбором для создания эффективных и функциональных ботов с минимальными требованиями к оборудованию.
Создатели успешно разработали искусственный интеллект, способный эффективно наносить удары в голову, что говорит о его впечатляющей функциональности. Они планируют выпустить вторую часть, в которой нейронная сеть будет дополнительно обучена автономной навигации по картам, если их видео наберет 20 000 лайков. Кроме того, они обещают поделиться всем исходным кодом и файлами для тех, кто заинтересован в самостоятельных экспериментах с этой технологией.