Amatörler ve profesyoneller farklı oturma duruşlarına sahiptir

Skoltech'in Hesaplamalı ve Veri Yoğun Bilim ve Mühendislik Merkezi'nden (CDISE) bir grup bilim adamı, bir eSports oyuncunun hareketleri ile yetenek seviyesi arasında bir bağlantı bulmak için yapay zeka kullandılar. Araştırma bulguları, makine öğrenme yöntemlerinin bir oyuncunun beceri düzeyini vakaların yüzde 77'sinde doğru bir şekilde tahmin edebileceğini göstermektedir.

Birkaç yıl içinde, çocuklar için video oyunlarında kökleri bulunan eSports, profesyonel ekipler, antrenörler ve büyük yatırımlarla tam teşekküllü bir endüstriye dönüşmüştür. Diğer sporlarda olduğu gibi, bir eSports oyuncusu profesyonel veya amatör olabilir ve antrenman sürecini optimize etmek için bir başkasına söylemek esastır.

Skolkovo Bilim ve Teknoloji Enstitüsü'nden (Skoltech), Moskova, Moskova Fizik ve Teknoloji Enstitüsü'nden (MIPT) ve Devlet Havacılık Enstrümantasyon Üniversitesi'nden (SUAI), St. Petersburg'dan Skoltech profesörleri Andrey Somov ve Evgeny Burnaev’in önderliğinde yüksek lisans öğrencileri eSports'un sandalyelere oturan oyuncuların yeterliliği ile vücut hareketleri arasındaki bağlantıyı aradı.

“Oyuncunun vücut hareketleri ile yetenek seviyesi arasında bir bağlantı olabileceğini varsaydık. Ayrıca, oyuncuların öldürme, ölüm veya şut gibi çeşitli oyun etkinliklerine tepkisine bakmak ilginçti. Profesyonel oyuncuların ve yeni başlayanların Aynı olaya farklı tepki verirdi, "araştırmanın ilk yazarı ve Skoltech'in usta öğrencisi Anton Smerdov.

Denemede, 30 ile 60 dakika boyunca Counter-Strike: Global Offensive (CS: GO) oynayan 9 profesyonel ve 10 amatör dahil olmak üzere toplam 19 oyuncu yer aldı. Yetenekleri oyun saatlerinde, uçuş saatlerinde yetenekleri değerlendirilen pilotlara benzer şekilde değerlendirildi. Veriler, bir ivmeölçer ve sandalyeye gömülmüş bir jiroskop kullanılarak toplandı.

Smerdov, "Daha sonra verileri üç dakikalık oturumlara kestik, oyuncunun davranışını anlamak ve algoritma öğrenmesi için yeterince büyük bir örnek elde etmek için üç dakika yeterliydi."

Her seanstan çıkarılan desenler, oyuncuların davranışlarını değerlendirmek ve üç eksenin her biri boyunca ne sıklıkta ve ne sıklıkta hareket ettiklerini veya geri döndüklerini ve sandalyeye yaslandıklarını kontrol etmek için kullanıldı. Her oyuncu için toplam 31 patern elde edildi ve en önemli sekiz özellik istatistiksel teknikler kullanılarak tanımlandı. Makine öğrenme yöntemleri daha sonra temel özelliklere uygulandı. Popüler rastgele orman yöntemi, en iyi performansı göstererek, oyuncunun beceri seviyesini, vakaların yüzde 77'sinde üç dakikalık bir oturumdan doğru bir şekilde belirledi. Ayrıca, sonuçlar profesyonel oyuncuların yeni başlayanlara göre daha sık ve daha yoğun bir şekilde hareket ettiğini ve çekim sırasında ve diğer oyun etkinliklerinde mükemmel bir şekilde durduğunu gösterdi.

Skoltech Nesnelerin İnterneti'ne Giriş dersi ve Skoltech Siber Akademisi girişimi kapsamında başlatılan bu araştırma projesi, Skoltech'in STRIP programı ve Rusya Temel Araştırma Vakfı (RFBR) tarafından sağlanan hibelerden yararlanarak Baş Kraken eSports başlangıcında daha da geliştirilmektedir. ).

Profesör Andrey Somov ve Evgeny Burnaev liderliğindeki ekip, 2018'den beri sensörler ve makine öğrenme yöntemleri kullanarak oyuncuların psiko-duygusal durumunu ve oyuna fiziksel tepkilerini inceliyor. Toplanan ve analiz edilen veriler nabız, cilt direnci, bakış yönü, el hareketler, çevresel veriler (sıcaklık, nem, CO₂ seviye), oyun telemetrisi ve diğer parametreler.