CounterStrike_Deathmatch|游戏AI数据集|行为克隆数据集

该数据集用于Counter-Strike游戏中的行为克隆研究，包含多个子集，涵盖不同地图和游戏模式，数据格式为.hdf5和.npy，分别包含游戏截图和处理后的动作标签以及抓取的元数据。

原始信息汇总

Counter-Strike Deathmatch 数据集概述

数据集来源

• 数据集由 Tim Pearce 和 Jun Zhu 在 IEEE Conference on Games (CoG) 2022 上发表的论文《Counter-Strike Deathmatch with Large-Scale Behavioural Cloning》中提出。
• 论文链接：https://arxiv.org/abs/2104.04258
• CoG 论文链接：https://ieee-cog.org/2022/assets/papers/paper_45.pdf

数据集组成

数据集包含多个子集，具体如下：

主要数据集

• 文件名: hdf5_dm_july2021_*_to_*.tar
  • 文件数量: 5500
  • 总大小: 700 GB
  • 地图: dust2
  • 游戏模式: deathmatch
  • 来源: 从在线服务器抓取

专家数据集

• 文件名: dataset_dm_expert_dust2/hdf5_dm_july2021_expert_*.hdf5

  • 文件数量: 190
  • 总大小: 24 GB
  • 地图: dust2
  • 游戏模式: deathmatch
  • 来源: 手动创建，清洁动作

• 文件名: dataset_aim_expert/hdf5_aim_july2021_expert_*.hdf5

  • 文件数量: 45
  • 总大小: 6 GB
  • 地图: aim map
  • 游戏模式: aim mode
  • 来源: 手动创建，清洁动作

• 文件名: dataset_dm_expert_othermaps/hdf5_dm_nuke_expert_*.hdf5

  • 文件数量: 10
  • 总大小: 1 GB
  • 地图: nuke
  • 游戏模式: deathmatch
  • 来源: 手动创建，清洁动作

• 文件名: dataset_dm_expert_othermaps/hdf5_dm_mirage_expert_*.hdf5

  • 文件数量: 10
  • 总大小: 1 GB
  • 地图: mirage
  • 游戏模式: deathmatch
  • 来源: 手动创建，清洁动作

• 文件名: dataset_dm_expert_othermaps/hdf5_dm_inferno_expert_*.hdf5

  • 文件数量: 10
  • 总大小: 1 GB
  • 地图: mirage
  • 游戏模式: deathmatch
  • 来源: 手动创建，清洁动作

元数据

• 文件名: dataset_metadata/currvarsv2_dm_july2021_*_to_*.npy, currvarsv2_dm_july2021_expert_*_to_*.npy, currvarsv2_dm_mirage_expert_1_to_100.npy, currvarsv2_dm_inferno_expert_1_to_100.npy, currvarsv2_dm_nuke_expert_1_to_100.npy, currvarsv2_aim_july2021_expert_1_to_100.npy
  • 文件数量: 61
  • 总大小: 6 GB
  • 地图: 根据文件名
  • 游戏模式: 根据文件名
  • 来源: 根据文件名

位置追踪备份

• 文件名: location_trackings_backup/
  • 文件数量: 305
  • 总大小: 0.5 GB
  • 地图: dust2
  • 游戏模式: deathmatch
  • 来源: 包含用于计算地图覆盖分析的元数据

数据文件结构

.hdf5 文件结构

• 内容: 包含1000帧（约1分钟）的游戏画面和处理后的动作标签。
• 格式: .hdf5 格式，便于快速数据加载。
• 键值:
  • frame_i_x: 图像
  • frame_i_xaux: 包含前一时间步的动作、生命值、弹药和队伍信息。
  • frame_i_y: 包含目标动作的扁平化向量形式。
  • frame_i_helperarr: 包含击杀和死亡标志的二进制变量。

.npy 文件结构

• 内容: 包含与100个.hdf5文件对应的元数据。
• 格式: .npy 格式。
• 键值:
  • file_numi_frame_j: 文件编号和帧编号。
  • curr_vars: 包含原始抓取的元数据。
  • infer_a: 推断的动作，包含按键、鼠标位置和点击信息。
  • frame_i_helperarr: 重复.hdf5文件中的信息。

训练模型

• 模型: 提供四个训练模型，包括“非状态”和“状态”版本。
• 文件名: trained_models.zip
  • ak47_sub_55k_drop_d4: 仅在AK47序列上预训练。
  • ak47_sub_55k_drop_d4_dmexpert_28: 在专家死亡竞赛数据上微调。
  • ak47_sub_55k_drop_d4_aimexpertv2_60: 在aim模式专家数据上微调。
  • July_remoterun7_g9_4k_n32_recipe_ton96__e14: 在整个数据集上预训练。

其他使用该数据集的工作

• Imitating Human Behaviour with Diffusion Models, ICLR 2023: https://arxiv.org/abs/2301.10677
• Diffusion for World Modeling: Visual Details Matter in Atari, NeurIPS 2024: https://arxiv.org/pdf/2405.12399

AI搜集汇总

数据集介绍

构建方式

CounterStrike_Deathmatch数据集通过从在线服务器抓取和手动创建两种方式构建。在线服务器抓取的数据集包含5500个.hdf5文件，总计约700GB，主要来自dust2地图的死亡竞赛模式。手动创建的数据集则包括专家玩家的干净动作数据，分为dust2、aim map、nuke、mirage和inferno等多个地图，总计约33GB。所有数据均以.hdf5格式存储，便于快速加载和访问。

特点

该数据集包含视频、动作标签和元数据，适用于模仿学习、行为克隆、世界建模和视频生成等任务。数据集的特点在于其大规模性和多样性，涵盖了不同地图和游戏模式，且提供了专家玩家的高质量动作数据。此外，数据集还包含丰富的元数据，如玩家健康值、弹药量和团队信息，为研究提供了多维度的分析基础。

使用方法

使用CounterStrike_Deathmatch数据集时，研究者可以通过加载.hdf5文件获取视频帧和动作标签。每个.hdf5文件包含1000帧（约1分钟）的游戏画面，支持按需访问部分帧数据。研究者可以利用这些数据进行模型训练和测试，特别是在模仿学习和行为克隆任务中。此外，数据集提供的元数据可用于深入分析玩家行为和游戏策略。

背景与挑战

背景概述

CounterStrike_Deathmatch数据集由Tim Pearce和Jun Zhu于2022年发布，旨在为行为克隆、模仿学习、世界建模和视频生成等研究领域提供高质量的游戏数据。该数据集基于广受欢迎的第一人称射击游戏《反恐精英：全球攻势》（CS:GO），包含了大量的视频帧、动作标签和元数据。数据集的核心研究问题在于如何通过大规模的行为数据训练智能体，使其能够在复杂的游戏环境中表现出与人类玩家相似的行为。该数据集在IEEE Conference on Games (CoG) 2022上获得了最佳论文奖，并在相关领域的研究中产生了广泛影响。

当前挑战

CounterStrike_Deathmatch数据集在构建和应用过程中面临多重挑战。首先，数据集的构建需要从在线服务器中抓取大量游戏数据，并确保数据的多样性和代表性，这涉及到复杂的数据清洗和预处理工作。其次，由于游戏环境的动态性和复杂性，如何准确地标注动作标签并保持数据的一致性成为一大难题。此外，数据集的应用场景如行为克隆和模仿学习，要求模型能够从高维度的视频帧和动作序列中提取有效特征，这对模型的训练和优化提出了更高的要求。最后，数据集的规模庞大，存储和计算资源的消耗也成为实际应用中的瓶颈。

常用场景

经典使用场景

CounterStrike_Deathmatch数据集在模仿学习和行为克隆领域展现了其经典应用场景。通过捕捉《反恐精英：全球攻势》游戏中的视频、动作标签和元数据，研究人员能够构建复杂的模型来模拟玩家的行为模式。这些模型不仅能够精确复制高手的操作，还能在虚拟环境中进行自我优化，从而提升游戏AI的智能水平。

衍生相关工作

基于CounterStrike_Deathmatch数据集，多项经典研究工作得以展开。例如，ICLR 2023的论文《Imitating Human Behaviour with Diffusion Models》利用该数据集探索了扩散模型在模仿人类行为中的应用。此外，NeurIPS 2024的论文《Diffusion for World Modeling: Visual Details Matter in Atari》进一步扩展了该数据集在世界建模中的应用，展示了视觉细节在游戏AI中的重要性。

数据集最近研究

最新研究方向

近年来，CounterStrike_Deathmatch数据集在行为克隆和模仿学习领域展现了显著的研究价值。该数据集通过捕捉《反恐精英：全球攻势》（CS:GO）游戏中的视频、动作标签和元数据，为研究者提供了丰富的实验素材。特别是在大规模行为克隆方面，该数据集的应用推动了智能体在复杂环境中的决策能力提升。近期研究进一步探索了扩散模型在模仿人类行为中的应用，如ICLR 2023发表的论文《Imitating Human Behaviour with Diffusion Models》，展示了如何利用扩散模型生成逼真的游戏行为。此外，NeurIPS 2024的研究《Diffusion for World Modeling: Visual Details Matter in Atari》则强调了视觉细节在世界建模中的重要性，进一步拓展了该数据集在生成模型领域的应用前景。这些研究不仅验证了数据集的有效性，也为未来在游戏AI、强化学习和生成模型等领域的研究提供了新的思路。