hltv-tick-encoder
энкодер игрового состояния для CS2 и CS:GO
2 мин чтенияобновлено
Компактная нейросеть от автора leminhohoho, обученная методом self-supervised learning (самообучение без ручной разметки) на сырых потиковых данных из демо-записей матчей CS2/CS:GO. Модель принимает координаты, углы обзора, статус жизни и команду всех 10 игроков на карте и на выходе формирует плотные векторные представления (эмбеддинги) для каждого игрока в каждый момент времени. В отличие от классических подходов на ручных агрегированных признаках, энкодер одновременно учитывает пространственное расположение всей десятёрки участников и динамику во времени. Пригодится исследователям киберспортивной аналитики и разработчикам моделей для предсказания краткосрочных событий в раунде.
Ключевые особенности
- Компактная архитектура на 0.67M параметров (
t1_model.py, размерностьd=192): поканальный MLP, два слоя spatial attention по всем 10 игрокам и три слоя каузальных свёрток Conv1D по времени. - Работает на сырых данных с частотой 8 Hz (формат тензора
[B, W, 10, 9]), без предварительно рассчитанных ручных признаков. - Предобучена на 364 картах (~55 тыс. шагов) на задачах предсказания следующего направления взгляда, смещения, статуса жизни и скрытого состояния других игроков.
- Честная оценка в карточке: основной прирост качества над ручными признаками даёт сам факт совместного кодирования позиций всех 10 игроков, а предобучение добавляет поверх этого от +0.85 до +3.33 AUC.
Что можно сделать
- Предсказывать краткосрочные события в ближайшую секунду раунда: появление врага в поле зрения, перестрелку (убийство или смерть), получение урона и открытие огня.
- Использовать готовые чекпоинты
ck14k.ptиck30k.ptкак генератор признаков (эмбеддингов) поверх или вместе с ручными фичами для лёгких классификаторов вроде MLP. - Анализировать текущую тактическую ситуацию внутри раунда, не тратя время на ручной инжиниринг пространственных признаков между игроками.
Пример
В карточке приведён формат входного тензора и структура модели (код запуска вынесен в файлы репозитория t1_model.py и t2_probe2.py):
# Входной тензор: [Batch, Window, 10 игроков, 9 каналов] на частоте 8 Hz
# Каналы: x/32768, y/32768, z/32768, sin(yaw), cos(yaw), sin(pitch), cos(pitch), alive, side (0=CT, 1=T)
x = torch.zeros((1, 32, 10, 9), dtype=torch.float32)
# На выходе энкодера из t1_model.py получаем эмбеддинг z размерности 192 на каждый тик и игрокаПодробнее
Бенчмарки (AUC на 71 невиденном матче, линейный зонд поверх эмбеддингов + ручных признаков): «получу урон» — 0.762 (против 0.663 на ручных фичах), «убью или умру» — 0.783 (против 0.619), «враг увидит меня» — 0.761 (против 0.613), «выстрелю» — 0.668 (против 0.607).Ограничения: усреднённые за карту эмбеддинги не улучшают предматчевые модели предсказания дуэлей (XGBoost), так как модель кодирует текущую ситуацию в раунде, а не стабильный скилл игрока.
Файлы в релизе: два численно эквивалентных чекпоинта
ck14k.pt и ck30k.pt, код архитектуры и валидации.









Комментарии