Rusbase

Академия киберспорта: кто в России анализирует потенциал киберспортсменов




28 марта 2019




Rusbase отправился в Академию киберспорта, чтобы посмотреть, как она устроена и какие исследования в ней проводятся, а еще — поучаствовать в эксперименте. Но обо всем по порядку.

Да, в России есть своя киберакадемия
Чтобы попасть в лабораторию академии киберспорта, вам нужно доехать до ярких кампусов по улице Нобеля на окраине Сколково. Лаборатория занимает небольшую комнату, около 15 квадратных метров, где стоит несколько столов с компьютерами, большие кресла, висит доска с записями. В коридорах коробки — скоро команда переедет в новое здание. В этой небольшой комнате профессора академии пытаются вывести формулу идеального киберспортсмена.

Российская киберакадемия существует всего год. Основные направления — проведение турниров и исследования. Одна группа профессоров работает с местной командой Monolith Gaming и изучает возможности для повышения их игрового уровня. Другая группа оценивает потенциал конкретного игрока и выводит закономерности, чтобы понять, какие условия и навыки приводят к успеху. Новые знания применяются тут же: например, в лаборатории тестируют потенциальных игроков в состав Monolith Gaming. Такой подход уже повысил результаты команды в CS:GO.

Академия работает автономно, на свои деньги, а в качестве испытуемых – собственная киберкоманда и студенты «Сколтеха». По словам профессоров, желающие стать участниками эксперимента выстраиваются в очередь — играть в «стрелялки» приятнее, чем выводить формулы.
Игал Зак
Основатель академии
Сегодня в киберспорте монетизируется только контент. И только одним путем: навешиванием рекламы на видео. Это самый простой способ монетизации для всех, кроме производителей игр. Кроме того, есть сопутствующая инфраструктура: платформы, команды, лиги и так далее. Все они зарабатывают на премиум-контенте и функциональности: особых иконках в чате, смайлах, мерче. Премиум-контент создают топ-команды, поэтому его объем ограничен.

Мы планируем вписаться в свободную нишу. Наш продукт поможет создавать новые команды высокого уровня, а они уже, в свою очередь, будут производить и продавать контент. В будущем мы хотим находить команды сами или продавать продукт скаутам, которые будут находить талантливых игроков. К тому же, будем создавать инструменты, помогающие команде повысить уровень игры. Еще мы смотрим на роботов: есть версия, что в будущем начнут играть роботы, а люди станут писать для них стратегии. Также в планах обучение и сертификация игроков. Поэтому перспективы подобных исследований большие.

Чем занимается киберакадемия
Слева направо: Антон Степанов (научный сотрудник, кандидат физико-математических наук), Александр Коротин (аспирант), Андрей Ланге (научный сотрудник, кандидат технических наук), Андрей Сомов (старший преподаватель «Сколтеха», PhD, заместитель руководителя Центра компетенций НТИ «Технологии беспроводной связи и интернета вещей»), Евгений Бурнаев (доцент, руководитель научной группы Advanced Data Analytics in Science and Engineering), Никита Хромов (аспирант)
Евгений: Есть структура академии, которая организует турниры и работает с нашей киберспортивной командой Monolith Gaming. А моя команда занимается научными исследованиями в проекте CoBrain Analytics и Центра компетенций НТИ «Технологии беспроводной связи и интернета вещей».

Дело в том, что для традиционного спорта создано много разработок: датчики для исследования физических показателей спортсменов, тренажеры, медицинские гаджеты, экипировка и так далее. Мы видим, что киберспорт — большое поле для исследований в области сбора и обработки данных, здесь можно дать толчок новым методам повышения эффективности спортсменов. Наша задача — собрать доступные данные и найти им применение. Мы изучаем, как устроено принятие решений человеком и как на это влияют его психофизиологическое состояние, окружающая атмосфера и другие параметры.

Андрей Сомов: Мы начали работать почти год назад, когда в июне 2018 года выиграли внутренний грант по Программе трансляционных исследований и инноваций «Сколтеха» на полтора года. В ноябре 2018 получили другой грант, на этот раз научный от РФФИ, на три года. А уже в январе 2019 года наша заявка под названием HeadKraken прошла в Фонд «Сколково», и мы запустили проект здесь. Все гранты сейчас тратятся на исследования, зарплату сотрудников, покупку оборудования для исследований, датчики и программное обеспечение.

Евгений: Исследования у нас прикладные: мы не только занимаемся наукой, но и делаем практические разработки.
Андрей Сомов: Наша глобальная задача — больше, чем провести исследование. Хотим еще и монетизировать его итоги. После получения первого гранта мы сформировали научную группу, которая занимается исследованиями и разработками в области киберспорта. Например, к нам в команду прошел отбор Антон Степанов, он разрабатывает систему сбора данных. Проект развивается достаточно быстро: у нас уже есть прототип системы, мы начали проводить тесты, привлекая профессиональных кибератлетов и любителей, писать статьи.
Мы собираем три вида данных:
1
Физиологические: сердцебиение, пот, движения на стуле, температура тела, миография
2
Среда: температура, уровень углекислого газа, влажность
3
Игровая телеметрия: что происходит в игре — как игрок двигает мышкой, частота нажатия на клавиши, движение взгляда по экрану и фокусировка, статистика боя.
Мы анализируем данные профессиональных игроков и любителей, визуализируем результаты анализа в виде графиков и на основе этого оцениваем потенциал и возможности отдельно взятого человека.

Тренер команды Monolith Рустам Цаголов говорит, что спортсменам необходима визуализация результатов игровых действий кибератлетов, а не слова. Систему не обманешь: «Мне важно показать спортсмену, где именно он ошибся, а где, наоборот, отыграл момент профессионально. Это мотивирует атлетов, и мне как тренеру проводить анализ намного удобнее».

Евгений: Первый компонент исследования — hardware. Нужно собрать датчики в единую систему, синхронизировать получение данных с различных датчиков. Второй — обработка данных и построение предиктивных моделей. В этом нам помогают наши студенты и аспиранты: они занимаются построением признаков, которые нужны для корреляции успехов киберспортсменов с игровыми действиями и психоэмоциональным состоянием. Одно дело, когда тренер дает субъективную оценку результативности команды, другое — когда есть четкие метрики с оцифрованными показателями. Мы можем посмотреть, как эти показатели будут меняться в зависимости от распорядка дня и других деталей.

Андрей Сомов:
У нас мобильная лаборатория, поэтому мы проводим исследования не только на базе «Сколтеха», но и за ее пределами. Сейчас мы формируем большой набор данных, хотим охватить как можно больше профессиональных и полупрофессиональных спортсменов. Мы хотим отслеживать молодые таланты.

Да, понятно, что во время соревнований показатели игроков будут другими. Поэтому мы планируем снимать данные и во время соревнований. Возможно, мы организуем для этого турнир в «Сколтехе». Пока что делаем предварительные выводы из уже собранного массива данных.
Что уже показали исследования
  • Мы разработали систему для мониторинга параметров внешней среды на буткэмпе, где тренируется команда Monolith Gaming. Система включают в себя датчики влажности, углекислого газа, температуры. Все это подключается через вайфай к онлайн-сервису и транслируется в реальном времени. Визуализацию этих данных может использовать и тренер, и мы как разработчики — для выявления корреляции между успехами на турнире и условиями внешней среды. Мы заметили, что если помещение мало проветривается, работоспособность и качество игры падают. Датчики подтвердили нашу версию. Что это дает? Тренер может заранее готовить помещение к занятиям и получать сигнал о том, когда нужно открыть окно. Это банальные вещи, но они помогают улучшить производительность.

  • Мы разработали систему визуализации фокусировки взгляда на экран монитора, чтобы видеть, куда и в каком процентном соотношении игрок смотрит. Например, хорошо ли он запоминает радар (боковая часть экрана. — Прим.). Если он редко наводит сюда взгляд, значит, он хорошо запоминает, где находится его персонаж, и может сфокусироваться на центральной области монитора. Другими словами, профессионал концентрируется на геймплее, а начинающий игрок смотрит по сторонам. Для того, чтобы улучшить концентрацию внимания, наши коллеги вместе с психологами разработали упражнение на тренировку памяти. Результат постепенно внедряется в тренировки команды.

  • Мы анализировали общение игроков между собой во время тренировок и турниров. Аналитика позволила сделать вывод о том, что позволяет им эффективно общаться. Даже самая простая аналитика может показать, кто активно участвует в обсуждении, а кто просто слушает. Даже такие нюансы влияют на результат. Получив эти данные, можно продуктивнее выстраивать диалог в ходе геймплея

  • Профессионалы активно пользуются боковыми клавишами, а новички — кнопками «вперед» и «назад», меньше обращая внимание на функции прыжков и приседаний — а они позволяет улучшить свою защиту. Зная это, тренер может подсказать новичкам, как играть лучше. Еще новички часто стреляют на бегу, уменьшая точность выстрела. Исследования показали, что профессионалы стреляют из статичного или микростатичного положения: они какое-то время не пользуются клавишами движения — стреляют, а потом бегут дальше. У профи такие движения натренированы до автоматизма.

  • Вместе с психологами мы разработали упражнения в виде карт для запоминания и их тоже постепенно внедряем в тренировки. Есть другие упражнения — на развитие моторики и точности. Есть упражнения для стрельбы по мишеням и тренировки реакции.
Одни из показателей исследования
Чем профи отличаются от новичков

Андрей Сомов: Сейчас мы можем говорить только про CS:GO — команда, с которой мы работаем, занималась этой дисциплиной. В CS:GO есть такая игровая ситуация, как клатч — игрок остается один против нескольких игроков противоположной команды. Благодаря исследованиям мы можем оценить, кто в команде лучше всего проявляет себя в таких ситуациях. Либо команде и тренеру будет ясно, кого в определенной игровой ситуации можно «разменять» с игроком противника, а кого оставить на клатч. Наши данные помогают тренеру составить стратегию.

В сумме мы протестировали около 90 человек. Это наша киберспортивная команда, полупрофессионалы и начинающие игроки. Да, тут все мечтают попасть к нам на тестирование и поиграть. Обычно тест длится 40 минут.
Да, тут все мечтают попасть к нам на тестирование и поиграть.
«Хотим вывести портрет идеального киберспортсмена»

Евгений: Важно автоматизировать сбор и обработку данных. В киберспорте больше показателей, чем в классических видах спорта, а еще есть завязка на игру в онлайн-режиме, с чем технологически непросто работать.

Андрей Сомов: Кстати, недавно в нашей киберакадемии появился состав по Fortnite и подписывается состав по Dota 2, поэтому мы будем делать исследования на разных дисциплинах, а не только на CS:GO. Планируем начать весной этого года; будем использовать тепловизор и дополнительные видеокамеры. Потом оцифруем данные и попробуем вывести портрет идеального киберспортсмена.
Как измеряют показатели игроков

Антон: У нас есть прибор, который фиксирует данные окружающей среды вокруг игрока. Например, факт, о котором упоминали раньше: количество углекислого газа в воздухе влияет на эффективность игрока. Данные удалось получить с нашей разработки. Это устройство, внутри которого находится одноплатный компьютер, а к нему подключено несколько датчиков для измерения показателей среды: освещенности, температуры, уровня углекислого газа.

Еще пример: шлем ЭЭГ с 14 сухими электродами показывает деятельность головного мозга. Он не медицинский, но максимально близок к профессиональным устройствам по техническим показателям. Шлем надевается на человека и не требует специального геля.

Также у нас есть проводной инерциальный датчик, который состоит из трех других датчиков — акселерометра, гироскопа и магнитометра. Он отслеживает координаты игрока в пространстве. Датчик клеится на руку и следит за положением руки и мыши. Есть и беспроводная версия такого датчика.

Беспроводной нагрудный датчик пульса, который крепится на спортсмена.

Специальный чуть изогнутый монитор с высокой частотой в 144 Гц: чем больше частота, тем меньше устают глаза. На монитор прикреплен трекер, который ловит отражение зрачка и определяет положение взгляда на экране, а также отмечает микродвижения глаз — саккады.

В чем фишка российских исследований

Андрей Сомов: Наше отличие от западных коллег в том, что мы собираем данные с реальных спортсменов. А исследования, которые проводятся на Западе, снимают показатели с самих ученых. То есть эти данные вряд ли можно рассматривать серьезно.

Андрей Ланге: Если мы посмотрим мировые публикации, то увидим, что кейсы в них направлены больше на улучшение игр и их функций, чтобы вовлекать как можно больше аудитории. А мы направлены на развитие соревновательного процесса.

Евгений:
Несмотря на то, что наша разработка заточена под киберспорт, ее можно применить и в других областях, например, можно определять уровень усталости при работе с техникой или утомления авиадиспетчеров.
Как мы выяснили, что у редактора Rusbase есть шанс стать киберспортсменом

Хороший редактор должен все попробовать на себе, поэтому мы попросили самого опытного киберспортсмена в нашей редакции, Людмилу Чумак, протестировать технологию киберакадемии.

Людмила Чумак: «Я с раннего детства играю в различные игры. Из шутеров играла в Battlefield Bad Company, Battlefield 3, сейчас много играю в Overwatch и в игры жанра RPG, MMORPG, MOBA и Action».

Ассистенты прикрепили к ней датчики, о которых мы рассказали выше, а потом попросили поиграть 12 минут в CS:GO.
Трактовка результатов
*поясняет Александр Коротин
В итоге вышло три графика, которые отражают разные показатели в сравнении с остальными участниками эксперимента.

В игре карта на экране разделена на несколько зон: центр экрана, где находится прицел игрока, данные о здоровье, количество патронов, мини-карта. В итоговом графике (см. Фото 1 в галерее ниже) цветами показаны плотность взгляда, а также сколько времени человек смотрел в центр. Как мы видим, Людмила смотрела в центр 57% общего времени. Это в среднем на 7% больше, чем у нашей команды Monolith Gaming.

Уровень игрока (общий уровень — см. Фото 3) определяется картой взгляда и частотой щелканья мышкой (см. Фото 2). Рассмотрим первый алгоритм: это ось времени, а от нуля до единицы — уровень текущего игрока. Красные линии — результаты профессионалов. Как мы видим, у них при разминке уровень доходит до пика, и дальше все идет на одном уровне. Синим обозначены любители. Как мы видим, Людмила (зеленый цвет. — Прим.) опережает новичков, но пока без большого опыта игры не дотягивает до любителя.

Далее показаны четыре графика, где мы оцениваем точечные признаки того, как человек играл.

Красные — профи (на графике они выше всех. — Прим.), синие — студенты и новички. Зеленый — текущий игрок. Как можно заметить, у профессионалов взгляд почти не отклоняется от центра экрана. На примере Людмилы понятно, что у неофитов все наоборот. Можно также посмотреть, какие комбинации клавиш использует игрок: влево, вперед, одновременное нажатие кнопки стрельбы. Профи так делают нечасто, так как на бегу точность падает. Людмила — часто, но все равно реже, чем новички.


© Rusbase, 2019
Автор: Екатерина Гаранина. Фото: Rusbase.



Благодарим пресс-службу «Сколтеха» за содействие в подготовке статьи.
Екатерина Гаранина-Карпова
Академия киберспорта: кто в России анализирует потенциал киберспортсменов