[NDC22] '카트라이더: 드리프트'를 기대해도 좋은 이유

레이싱 게임은 0.001초가 중요하다.

실제로 <카트라이더> e스포츠를 살펴보면 1초가 되지 않는 차이로 극적인 희비가 갈리는 경기가 있었다. 대표 사례는 '카트라이더 버닝타임 이벤트전'에서 진행된 문호준과 유영혁의 경기에서 0.001초 차이로 승자가 정해진 것이다. 해당 경기는 강연에서도 소개됐다.

 

 

또한, <카트라이더>를 플레이할 때는 다른 유저의 실제 위치와 내가 상대를 볼 때의 위치 동기화가 잘 이루어져야 게임 플레이에 불편함이 없다. 이것이 잘 되지 않을 경우에는 상대방 카트의 움직임이 부자연스럽게 보일 수 있으며, 유저에게 좋지 못한 플레이 경험을 준다.김진호 개발자는 "프로그래머 분들에겐 머신 러닝을 통한 문제 해결 사례, AI 개발자 분들에게는 머신 러닝 활용 사례, 그리고 <카트라이더: 드리프트>를 기다려 주시는 분들에게는 자연스러운 게임 플레이를 위한 개발 과정을 소개하고자 한다"고 설명했다.

 

강연자 : 김진호

 

소속 : 니트로스튜디오

 

발표자 소개 

현재 니트로 스튜디오에서 <카트라이더: 드리프트>를 개발하고 있습니다. 현재 소속된 RND 유닛에서는 머신 러닝을 이용하여 유저 위치 예측 개선 작업, 매칭 퀄리티 개선 작업 등을 진행하고 있습니다. 이전에는 EA에서 <배틀필드 온라인>, 엔진스튜디오에서 MORPG <수신학원 아르피엘> 개발에 참여했습니다. 

 

 

 

게임에서 '위치 예측'이 필요한 이유는 레이턴시, 즉 네트워크 지연 시간(핑) 덕분에 '플레이어가 보는 캐릭터의 위치'와 '게임 서버에서의 캐릭터의 위치'가 달라질 수 있기 때문이다. 온라인 게임에서는 다른 유저와 데이터를 주고받는 과정이 동시에 이루어지지 않는다.

개발진이 패킷에 포함된 데이터를 면밀히 분석한 결과 목표 달성을 위해선 최종 위치를 예측하는 것이 아니라, 드리프트 시작점을 항상 원점이라고 가정하고 위치 변화량을 예측하는 문제로 변경할 필요가 있다고 판단했다. 그리고 이를 풀기 위한 모델을 만들었다.

 

 

 

 

개발 과정에서 테스트된 머신 러닝 모델은 10가지가 넘지만, 분량 상 문제로 해당 강연에서는 2가지 모델이 소개됐다.첫 번째 모델은 선형 회귀다. 기존에 사용하던 등속 운동 모델을 약간 변경한 것이다. 이를 통해 오차를 70% 정도 개선할 수 있었다. 하지만 레이턴시가 커질수록 오차 값이 기하급수적으로 증가하는 문제가 있었다.

 

 

두 번째 모델은 DNN-GLU 모델이다. 앞서 살펴본 선형 회귀 모델을 최적화를 해 보았으나 한계에 부딪쳤는데, 이에 데이터의 구조가 비선형적이라서 생긴 문제가 아닐까라는 생각을 했다. 이를 해결하기 위해 딥 러닝 방식으로 접근하기로 결정했고, 은닉층에 활성화 함수를 사용해 문제를 해결하려 시도했다. 

 

 

 

첫 모델에 비해서는 많은 개선이 있었지만, 아직 약간의 오차는 남아있는 상태다. 또한, 위 스크린샷은 100ms 레이턴시를 기준으로 했는데 3차 CBT 결과 해외 유저와 게임을 할 때는 200ms 가량의 레이턴시가 발생하는 경우가 있었다. 레이턴시가 200ms를 넘어갈 경우에는 해당 모델로도 절반 이상이 예측 경로에서 벗어나는 문제가 발생한다. 더 높아진 레이턴시만큼 패킷을 늦게 받기 때문이다. 현재 개발진은 실력이 비슷한 유저들의 플레이 패턴이나 맵별 특징을 통해 더욱 개선된 모델을 제작하기 위해 노력하고 있다.

 

 

김진호 개발자는 유저분들이 보다 게임을 재미있게 플레이할 수 있도록 데이터를 활용한 다양한 작업을 준비하고 있다고 밝혔다. 만약 <카트라이더> 시리즈 개발 비화에 대해 추가적인 내용이 알고 싶은 참관객이 있다면 2019년 NDC에서 진행된 '카트라이더 0.001초 차이의 승부' 강연을 참고하길 권했다. 

 

참고자료 : 〈카트라이더〉 0.001초 차이의 승부, 300km/h 물체의 네트워크 동기화 모델 구현기