[columns size=»2/3″ last=»false»]
Группа молодых ученых из Центра Сколтеха по научным и инженерным вычислительным технологиям для задач с большими массивами данных (CDISE), МФТИ и ГУАП c помощью искусственного интеллекта определила, как движения на стуле могут выдать в игроке профессионала. Методы машинного обучения успешно предсказывают мастерство игрока в 77% случаев. Результаты работы были представлены на V международной конференции IEEE по проблемам Интернета людей (IoP 2019), где получили приз за лучшую научную работу.
За последние несколько лет киберспорт прошел путь от занятия школьников, играющих в видеоигры, до целой индустрии c профессиональными командами, тренерами и большими инвестициями. Как и в любом другом спорте, кибератлеты бывают профессионалами и любителями, и понимание того, как отличить одних от других важно для оптимизации тренировочного процесса.
Студенты-магистранты из Сколтеха (Москва), МФТИ (Москва) и ГУАП (Санкт-Петербург) под руководством профессоров Сколтеха Андрея Сомова и Евгения Бурнаева решили найти связь между эффективностью кибератлета в игре и характером его движений в кресле.
[/columns]
Игрок в кресле с датчиками. Предоставлено пресс-службой Сколтеха
[columns size=»2/3″ last=»false»]
«Мы предположили, что между “стилем” движения игрока в кресле и его мастерством есть связь. В то же время было интересно посмотреть, как игроки реагируют на игровые события (когда игрок убивает, умирает или идет перестрелка). Вряд ли профессиональные игроки и новички реагируют одинаково», — рассказывает первый автор исследования, магистрант Сколтеха и МФТИ Антон Смердов.
Для эксперимента были приглашены 19 игроков разных уровней: 9 профессионалов и 10 любителей. Мастерство игроков оценивали аналогично тому, как измеряют мастерство пилотов — наигранными часами. Всем было предложено играть в популярную видеоигру — Counter-Strike: Global Offensive (CS:GO) от получаса до часа. Для сбора данных использовались акселерометр и гироскоп, интегрированные в кресло.
[/columns]
Датчики, вмонтированные в кресло. Предоставлено пресс-службой Сколтеха
[columns size=»2/3″ last=»false»]
«Полученные данные были порезаны на трехминутные сессии, так как трех минут движения в кресле достаточно, чтобы понять поведение игрока. В то же время это увеличивает выборку для обучения алгоритмов», — поясняет Антон.
Из каждой сессии ученые извлекали паттерны, по которым можно оценивать поведение игрока: как часто он двигается или крутится на кресле для каждой из трех осей и с какой интенсивностью, как часто игрок откидывается на спинку кресла. Суммарно по всем временным интервалам получился 31 паттерн для каждого игрока. С помощью методов статистики выделили восемь самых важных признаков и применили к ним методы машинного обучения. Лучше всего сработал популярный метод Random Forest, продемонстрировавший 77%-ную точность при определении уровня мастерства по трехминутной сессии. Также полученные результаты показали, что профессиональные игроки чаще и интенсивнее двигаются на кресле, но при этом сидят неподвижно во время перестрелок и прочих игровых событий.
[/columns]
Датчики. Предоставлено пресс-службой Сколтеха
[columns size=»2/3″ last=»false»]Работа над проектом началась в рамках курса Introduction to Internet of Things и инициативы Киберакадемии Сколтеха и продолжается в рамках грантов программы Сколтеха STRIP, РФФИ и киберспортивного стартапа Head Kraken.[/columns]
