想要玩好FIFA23?这篇文章中的内容你必须要了解清楚

今年FIFA23依旧会分为次世代版本和本世代版本,所以下文中如果大小标题中带有字样,则代表是次世代版本独有的游戏特性,没有字样的则代表次世代和本世代都拥有的通用特性。

顺带多说一句,今年次世代版本所包括的平台有:PlayStation5、XboxSeriesX|S、PC和Stadia,本世代平台有:PlayStation4和XboxOne。NintendoSwitch平台不涉及下文中任何游戏特性。

下面,让我们正式进入到FIFA23的游戏性介绍环节。

EASPORTS的初衷是希望第二代HyperMotion能够使FIFA23在新一代技术方面能够更进一步。

HyperMotion是什么?引用EASPORTS官方原文:HyperMotion是《FIFA23》在PlayStation5、Xbox系列X|S、PC和Stadia上的基础。这项技术由两个重要的部分所组成。先进的11v11比赛捕捉[Advanced11v11MatchCapture]和机器学习[MachineLearning]。

在这两个更加新的系统的支持下,第二代HyperMotion技术使FIFA23达到了6000多个真实的足球动作,直接将现实世界的球场转移到了游戏中。

相比较第一代HyperMotion技术,第二代在进行数据采集时进行了基于真实世界比赛的动作捕捉。捕捉使用了Xsens套装,从两场完整的高强度职业球队的比赛中捕捉了数百万帧的动作数据。这其中包含了一场完整女足比赛的动作捕捉。这项技术帮助EASPORTS将更多现实世界的足球游戏带入到游戏中。

那么今年这项技术为以下游戏特性的几个部分提供了强大的技术支撑:全队真实运动、女子足球、技术性盘带、AcceleRATE、沉着控球射门、动态门将与头球大战等等;

EASPORTS在FIFA23中引入了全新的动作,从射门到传球,以及门将的扑救动作等等,为的是提高游戏的多样性和沉浸感。通过高级比赛捕捉技术,开发团队能够获得更多比赛级别强度的动作,让虚拟球场上的球员无限贴近于现实世界。

基于第二代HyperMotion的先进比赛捕捉技术,EASPORTS的MachineLearning机器学习算法相比以前能够学习更多的采集数据样本,从而创造出新的特性;开发团队已经能够使用ML来提高其神经网络性能和准确性,它可以实时生成各种运动动画,从而为FIFA23以及未来的EASPORTSFC带来更强大的结构。

而在FIFA23中,由ML机器学习驱动的几个功能演变发展出了以下两个新特性:ML-Jockey和技术性盘带。

开发团队在制作FIFA23时,主要的设计理念源自于团队自身调研和实验以及来自FIFA玩家社区的反馈。在FIFA23中,开发团队的目标是创造出以前虚拟球场上从未出现的游戏机制,并且通过革新现有系统来实现全新的游戏体验及多样性。

FIFA23中的女足比赛现在有了许多新变化,而游戏性是使其栩栩如生的重要组成部分。开发团队的目标是让女足比赛变得更加真实和独特,所以为此专门进行了女足比赛的动作捕捉拍摄工作。由于参与拍摄的是两支职业女子足球俱乐部,这也让开发团队能够获得到一些特殊的、与众不同的女性球员的动作,当然这些动作都是源自于真实比赛的激烈对抗所生成的。

以下为FIFA23中为女子足球所添加的新特游戏元素:

在FIFA23中,开发团队引入了技术性盘带,这是一个全新的盘带系统,它结合了主动触球系统来更加智能的计算出球员的盘带路径。

根据高级动作捕捉技术以及每次触球之间的ML-Flow,开发团队对技术性盘带的要求就是改善控球时的移动效果,使转身和盘带感觉更加灵敏。

技术性盘带是使用左摇杆的默认带球方式,任何球员都可以运用,但带球的效果很大程度取决于球员的盘带属性。

下面列出了不同属性对于技术性盘带会产生哪些影响:

切记:技术性盘带只在纯粹使用左摇杆带球时才有效。其他盘带方式(比如敏捷盘带、横向盘带、慢速盘带等)是区别于技术性盘带的独立的带球系统。

ML跟防的设计目的是为了在使用跟防(L2/LT)时或者冲刺跟防(L2/LT+R2/RT)时能够提供更加紧致的操控感以及更高的响应度,以便能够更好的实现对进攻球员的跟防。

开发团队设计ML-跟防的两大目标:

从现实世界进行学习,再让机器学习算法实时更新跟防系统和生成新的动作,提升跟防的流畅性和一致性,同时改善球员的行为和跑位能力。跟防和冲刺跟防都有各自的神经网络,目的是创造并展示多样且自然的球员动作。

ML-Jockey跟防对于FIFA23中的跟防系统会产生以下影响:

除此之外,开发团队使用了女子足球比赛来训练ML-跟防的神经网络,这也使FIFA23中女足球员的跟防动作更加真实和独特。

AcceleRATE是对目前球员运动系统的扩展,将球员区分为不同的独特模型。这也让开发团队能够不同球员加速的特点,以提高FIFA23中不同类型球员的生存能力。

加速类型:

简而言之,爆发型球员能够在短距离1v1时有着更好的表现,而持久型则是在长距离上能够做的更好,例如传球后的前插突破。

AcceleRATE将根据球员的身高、敏捷和力量几个属性相结合自动进行分配。尽管如此,加速度和冲刺属性仍然是决定一名球员整体速度的关键因素。

以下为AcceleRATE不同加速类型的分类依据:

注意1:以上参照球员仅针对测试数据,FIFA23上市后参照球员对应的加速类型有可能会发生改变。

注意2:加速类型是在进入比赛前根据球员数据计算得出。所以赛前所产生的的数据变化(比如化学加成、士气影响等)将会决定加速类型,而比赛开始后的属性变化(例如体能下降、天赋系统等)则不会对加速类型产生任何影响。

强力射门的操作方法为:L1/LT+R1/RT+射门

想要使用强力射门需要考虑以下几点因素:

开发团队增加强力射门这个新特性的目的是为了引入一个额外的”竞技层面“,这样皆在鼓励那些有能力创造出更好射门空间的玩家。

以下属性将会对强力射门有较大影响:

一脚触球和凌空强力射门将会与沉着控球射门系统相结合,允许球员首先控制住球然后立即进行一个强有力的射门动作。这部分内容将会在后文详细介绍。

今年,开发团队着手为所有技能水平的玩家提供更有价值和更直观的定位球系统。借助新系统,开发团队希望能够帮助玩家更精确地去控制球来命中目标。

任意球和角球现在以一种更直观的方式展示它们的功能,玩家可以选择球员的触球位置。开发团队希望使任意球和角球的感觉和行为更加接近于现实世界。

使用手柄左摇杆,玩家可以移动视角,改变踢球方向。使用右摇杆,玩家可以控制球后面的标尺,来决定弧度、高度和想要的踢球风格。有一条小的弹道轨迹,会显示球在射出后最初几米的轨迹预览。

以下属性将用于新的任意球和角球系统:

墙后”躺平“

在FIFA23中,任意球试图从跳起的人墙下寻找得分线路将会是一个可行的选择。开发团队现在将会提供一种新选择来防守这种类型任意球,在任意球时可以控制球员在人墙后面躺下。

与增加人墙防守人数的操作类似,玩家可以使用左摇杆控制一名球员从人墙背面接近。需要注意的是,每次只能有一名球员躺下。如果要移除改名球员,玩家可以控制这名躺下的球员从人墙后面移开。

除了任意球和角球,点球系统在FIFA23中也有了较大的改变。开发团队想让点球比以前更有成就感,而玩家的沉着将会成为非常关键的因素。

现在当点球进行罚球时,将可以看到一个会缩小的沉着圆环,这个圆环基于球员的沉着属性。最理想的状态就是当球员射门快接触到球时,沉着圆环缩至最小,这样才可以准确有利的将球射出。

现在罚点球时可以直接用左摇杆进行瞄准,不再有FIFA22中的瞄准准星,玩家不必担心瞄准时会瞄到门框范围外。瞄准的目标大致会在玩家所选择方向门柱内测3英尺左右的位置,且射门时也不需要持续保持目标方向的稳定性(例如像FIFA22那样)。开发团队的目的是为了让玩家把更多精力放到射门的时机和力量上。

罚点球时需要考虑到以下主要因素:

沉着圆环

射门精度

玩家无法直接瞄准球员的边缘位置,需要利用的上述几点要素将球罚到门将难以触及的位置;

点球时的TimedFinishing时机射门功能被取消,所以在进行射门时不再需要二次射门进行确定;

为了实现给虚拟球场带来丰富多样性的目标,开发团队扩展了游戏的许多方面。下面将深入了解核心游戏性的改进和新的一些机制。

重新设计的半辅助射门

低射-只会在玩家进行较低蓄力的情况下触发

外脚背射门

射门多样性-电梯球、反弹球、脚弓推射、铲射、腾空射门等射门类型将更为常见;

动作更新

在第二代HyperMotion的驱动下,沉着控球射门让球员在某些需要先控制住球然后再进行射门这种情况能够更加流畅的进行过渡。开发团队的目标是让首次触球强力射门、其他的首次触球射门以及任何其他接空中球的射门都能够大放异彩。

高级比赛捕捉技术为沉着控球射门提供了很多新的动作,此项特性是对去年FIFA22中沉着控球特性的改进。

对于FIFA23的传球,开发团队希望能够为玩家提供更多的传球类型,以下是今年传球方面最重要的变化:

开发团队为FIFA23新增了4个新的花式技巧以及3个假射动作。其中包括了一个新的爆发式假射动作,像姆巴佩这样的至少4星花式的球员才可以使用。另外今年左脚球员将会有对应的花式技巧动作;

新增花式技巧

新增假射

花式技巧输入调整

左脚花式技巧

以下花式技巧将会有对应的左脚动作,左脚球员在使用下列动作时将会使用他们的惯用脚做出花式技巧:

以下是开发团队对FIFA23中进攻跑位方面的重要更新,目睹是为了促进进攻更具有多样性:

控球是比赛的重要组成部分,所以今年开发团队增加了新的机制,对控球进行了改进,以确保比赛的流畅性。

在FIFA23中,开发团队正在加强动态空中对决,以增强门将和头球争顶之间的互动。现在EASPORTS已经引入了几十种新的互动,让门将更有信心的跃起来接住传球,让球员更放心的认为门将会确保球的安全。这些动作可以在与对手或队友的互动中出现。

今年在FIFA23中将会对门将有以下更新:

随着开发团队对AI行为的改进,在防守站位方面现在产生了一些有影响的变化,同时还加入了一个新的机制。

为了让玩家有更多机会展示他们的防守能力,并且促进防守时有更多的手动控制。开发团队为防守时添加了更多的元素。

封堵

以下是对玩家和A.I.控制球员在进行自动和手动封堵时所做出的的改进:

抢断

关于抢断方面,开发团队想给玩家更多的方法来化解对方的进攻,并且让防守的游戏性在做出正确决定时更有意义。

凶狠滑铲是一个新的铲球类型,用于更加紧急的情况。即比赛中使进攻方失去球权的同时本方也不一定尝试控球。

新的脚后跟断球提高了高总评球员在补救式断球时的潜在成功率。

以下是对抢断的一些额外的调整:

更多的防守端改进

为进一步提高玩家的防守选择,开发团队对现有的游戏性进行了一些更新:

保护球

解围改进

在球员切换方面,开发团队年复一年的收集玩家的反馈。在FIFA23中,增加了全新的设置,让玩家能够更好的进行球员切换。

友情提醒,竞技设置在某些游戏模式中是被强制启用的。但是在每个FIFA的游戏模式中,如果玩家希望使用竞技设置,那么他都是可以被启用的。

以下是强制使用竞技设置的游戏模式,且此设置开关将会被锁定:

以下是对竞技设置的更新:

以下是FIFA23比赛规则的一些重要改变:

除了重新设计了任意球和角球外,开发团队还对FIFA23中其他的定位球进行了进一步的改进。

投掷界外球

门球以及其他定位球改进

EASPORTS对于FIFA的物理特性进一步的进行了改进,现在能够在球场上创造出新的互动效果,更加真实去反应现实世界中球场上的点点滴滴。

高级碰撞物理特性

球网互动物理特性

球员意识-球员现在会更加聪明的进行移动,避免在多种情况下与对手相撞。例如成功盘带过人或穿裆过人时;

更真实的摔倒-摔倒在草皮上的球员现在落地将会保持速度并且会有更多的反弹效果。当球员爬起时,速度也会保持不变;

踉跄-开发团队为此增加了新的动作。并且球员的体格属性现在会影响球员踉跄的次数以及从踉跄中恢复的速度;

增加了新的自我保护行为,包括当球击中球员时的反应以及门将支撑立柱时的反应。

EASPORTS持续努力的改善着CPUA.I.的比赛体验,今年的主要改动如下:

战术意识

开发团队预计这将会对整个游戏中与CPUA.I.的比赛会产生很大影响,从生涯模式到FUT。因为CPU可能会在需要得分时让更多球员投入进攻,从而转变为更具进攻性的阵型并试图达到一个平衡。

新的CPUA.I.特性

过掉门将-拥有此特性的球员在与门将单对单的情况下会倾向过掉门将,会比没有此特性的球员更有效的进行此种行为;

常规CPUA.I.更新

以下是在FIFA23中一些最具影响力的CPUA.I.更新,目的是创造一个更加逼真流畅的比赛体验:

EASPORTS今年重建了球员的评分系统,使其更加强大。更新后的评分系统将会有以下变化:

开发团队也在跟踪和计算新的球员和球队表现数据统计,其中对抗是最重要的一项。以下数据可以在比赛赛况界面中找到:

开发团队继续在重大进球时刻的基础上增加了全新的场景,这些场景会在比赛进行的过程中出现。此外,还增加了观众的反应和欢呼。另外开发团队还扩大了比赛中的庆祝活动,目的是让玩家能够像球员在艰苦且戏剧性的比赛中庆祝伟大的时刻。随着每年FIFA在真实性方面的提升,开发团队希望玩家能够通过这些改进获得更好的比赛体验。

除以上的内容,FIFA23中还有一些额外的更新,帮助提高比赛之外的游戏体验:

THE END
1.机器学习:在线学习和离线学习区别本文对比了在线学习和离线学习在数据获取、训练频率、应用场景和计算成本方面的差异,通过SGDClassifier和LogisticRegression实例展示了两者的工作原理。在线学习适合实时环境,离线学习适合稳定数据。 摘要由CSDN通过智能技术生成 机器学习中的在线学习(Online Learning)和离线学习(Offline Learning)是两种不同的学习方式,它们在数https://blog.csdn.net/weixin_41194129/article/details/132998721
2.机器学习中在线学习批量学习迁移学习主动学习的区别电子decremental learning递减学习,即抛弃“价值最低”的保留的训练样本。这两个概念在incremental and decremental svm这篇论文里面可以看到具体的操作过程。 七、在线学习与离线学习offline learning and online learning. In offline learning, the whole training data must be available at the time of model training. http://eetrend.com/node/100016949
3.机器学习RLHF:在线方法与离线算法在大模型语言模型校准中的简介:【机器学习】RLHF:在线方法与离线算法在大模型语言模型校准中的博弈 一、引言 在人工智能领域,大型语言模型(LLM)的校准已成为一个备受关注的热点。基于人类反馈的强化学习(Reinforcement Learning from Human Feedback,简称RLHF)作为一种有效的校准方法,已逐渐在GPT-4、ChatGPT等先进模型中展现出其独特优势。然而https://developer.aliyun.com/article/1542161
4.qlearning多智能体强化学习多智能体概念最近在学习多智能体的强化学习,看了几篇高质量基础论文,发现还是很有必要将强化学习的体系简单过一遍,然后再有针对性地练习代码。 1.强化学习简介 1.1 强化学习概念 强化学习与监督学习、非监督学习都属于机器学习,是人工智能的范畴。值得一提的是深度学习也是机器学习的一种范式,深度学习在机器学习的基础上优化了数https://blog.51cto.com/u_16099283/11852182
5.SklearnTensorFlow与Keras机器学习实用指南第三版(一机器学习海啸 2006 年,Geoffrey Hinton 等人发表了一篇论文,展示了如何训练一个能够以最先进的精度(>98%)识别手写数字的深度神经网络。他们将这种技术称为“深度学习”。深度神经网络是我们大脑皮层的(非常)简化模型,由一系列人工神经元层组成。在当时,训练深度神经网络被普遍认为是不可能的,大多数研究人员在 1990 年https://cloud.tencent.com/developer/article/2420382
6.从8个维度全面比较机器学习算法不同的 ML 算法会有不同的偏差 - 方差权衡,偏差误差来自于模型偏向于特定解或假设的事实。例如,在非线性数据上拟合线性决策边界时,偏差较大。另一方面,是方差测量模型方差带来的误差,它是模型预测与期望模型预测的均方差。 5. 在线和离线 在线和离线学习是指机器学习软件学习更新模型的方式。在线学习意味着可以一次https://time.geekbang.org/column/article/226084
7.2020届计算机科学方向毕业设计(论文)阶段性汇报推荐系统与用户进行多步交互的过程可以建模为马尔科夫决策过程并使用强化学习算法训练推荐策略,但在真实的工业界场景中,在线上进行强化学习模型的训练成本极高。本课题希望使用推荐系统与用户交互的历史数据离线训练强化学习算法,并探讨这一模式的问题解决方式。 https://zhiyuan.sjtu.edu.cn/html/zhiyuan/announcement_view.php?id=3709
8.服务价格机器学习服务服务价格 价格华为机器学习服务从2022年1月1日起,针对超过免费额度的部分,需要按照超过部分的使用量进行收费。同时,华为机器学习服务部分子服务实施试用期免费的计费政策,试用期为2022年1月1日……欲了解更多信息欢迎访问华为HarmonyOS开发者官网https://developer.huawei.com/consumer/cn/doc/development/hiai-Guides/ml-service-billing-0000001051010023
9.网站工具。涉及大数据几大组件Python机器学习和数据分析机器学习、图像声音处理文章列表 - TinyMind 机器学习-Label Encoding与One Hot的区别-20180513 机器学习与深度学习 - 连载 - 简书 Chrome Extension Downloader——可以通过此网站来下载因为某些原因无法在线安装 Chrome 插件 现在最新版chrome不支持直接离线安装插件了,但还是有办法的,见:Linuxhttps://github.com/josonle/Coding-Now/
10.蚂蚁金服新计算实践:基于Ray的融合计算引擎架构蔡芳芳随着计算和 AI 体系逐步成熟,我们希望机器学习应用能更多地在动态环境下运行、实时响应环境中的变化,这推动了机器学习从传统离线学习逐渐向在线学习演进。相比于传统的离线机器学习,在线学习可以带来更快的模型迭代速度,让模型预测效果更贴真实情况,对于线上的波动更加敏锐。https://www.infoq.cn/article/ualTzk5OwDb1crVHg7c1
11.机器学习,能为5G通信技术带来哪些新挑战?强化学习是基于智能体与外部环境之间的动态交互,可以在线处理数据。智能体通过探索环境和奖励或惩罚行为来学习,并以最佳行动序列优化累积奖励。 图一:人工智能,机器学习,监督学习,无监督学习,强化学习之间的关系 3、机器学习在5G通信中的应用 近年来,全球研究人员对利用机器学习发展5G通信技术表现出了极大的兴趣。接下来https://www.xakpw.com/single/31167
12.干货:功能安全预期功能安全与信息安全的融合与发展然后还有预期功能安全的评估,通过测试确保机器学习预期功能安全是否能达到。 3. 机器学习 & PFMEA安全分析 首先在自动驾驶里面,更多的是用离线学习,离线学习是什么?离线学习是打包好的数据来确认智能驾驶的算法。离线学习的流程是数据标注、数据划分、训练、验证和测试。 https://www.dongchedi.com/article/7234733568507855400
13.一文看懂什么是强化学习?(基本概念+应用嘲+主流算法)在线学习 VS 离线学习 详细请查看《强化学习方法汇总》 百度百科和维基百科 百度百科版本 强化学习(reinforcement learning),又称再励学习、评价学习,是一种重要的机器学习方法,在智能控制机器人及分析预测等领域有许多应用。 但在传统的机器学习分类中没有提到过强化学习,而在连接主义学习中,把学习算法分为三种类型,https://easyai.tech/ai-definition/reinforcement-learning/