競技游戲玩家力求在游戲中獲勝，并從中獲得極大的愉悅感。事實上，整個電競游戲領域都是這種玩法，玩家盡可能尋找優勢，在競爭中占據上風。玩家可在“反恐精英 （Counter-Strike）”、“守望先鋒 （Overwatch）”和“瓦羅蘭特 （Valorant）”等 FPS 游戲中，在多個能力級別的天梯中進行對抗，看看誰能最終勝出。競技游戲玩家希望盡可能提高刷新率，降低延遲。面對這一趨勢，我們希望了解計算機系統延遲降低多少才能幫助游戲玩家更好地瞄準目標。

玩家在較低延遲下快速瞄準目標

在之前的幾輪研究中，我們考慮了在計算機系統延遲增加的情況下，對指向和瞄準任務帶來的影響。我們從 Ivkovic、Cattan、Jota、Teather 和 MacKenzie 那里收集數據，力圖直觀展示延遲如何改變瞄準任務的完成時間，這與目標大小和距離如何影響任務表現（使用稱為“難度指數”的綜合指標）類似。我們將 FPS 瞄準與其他瞄準任務一視同仁，因為 Julian Looser 表明 FPS 瞄準的響應與其他指向任務類似。圖 2 展示了從此類研究中選出的結果，這些研究的難度系數差不多，因此在同一張圖中進行比較是合情合理的。

圖 2：在以前發布的研究結果中，系統延遲對于簡單指向任務完成時間的影響。

一個明顯的趨勢是，任務完成時間會隨著延遲增加而變得更長。在所有研究中，隨著延遲不斷向零靠近，該趨勢都表現出了持續的改進。Ivkovic 研究中的最低延遲數據點代表著垂直同步設置的更改，因此可能存在其他交互性因素發揮作用。對于較復雜的任務，比如跟蹤移動目標，由于需要重復的瞄準任務，所以此類收益可能加倍。

低延遲第一人稱射擊（FPS）瞄準

在之前發布的研究結果中，低延遲級別的可用數據很少。部分原因是，創建出始終保持此類低延遲級別的系統的難度較大。要研究低延遲下的 FPS 瞄準，我們決定利用刷新率為 240 Hz 且像素響應時間較快的 G-SYNC 顯示器。

我們還開發了一個簡化的 FPS 游戲（見圖 1），讓我們能夠嚴謹地控制目標參數，如產生速率、大小和運動類型。此游戲還支持我們跟蹤所有類型的系統相關數據，如系統延遲，玩家瞄準情況以及消滅每個目標所花的時間。有關使用獨立延遲度量工具的更多信息，請參閱 Latency of 30 ms Benefits First Person Targeting Tasks More Than Refresh Rate Above 60 Hz（相較于將刷新率提升至 60Hz 以上，延遲縮短 30 毫秒對第一人稱瞄準帶來的收益更大）。由于此游戲旨在用于第一人稱瞄準的科學研究，我們稱之為“第一人稱科學 （First Person Science）”。在這一可控環境中，我們設計了以下視頻中所示的簡單瞄準任務。

要求用戶在我們的研究中完成的任務。每次試玩開始時都會先清除紅色目標。任務是要清除綠色目標，這些目標會以盡可能快的速度隨意移動。需要單次命中來清除目標。該任務會針對每個延遲條件重復 400 次。

由于我們能夠收集用戶表現，因此我們對 8 名用戶開展了本次實驗。每名用戶在 12 毫秒延遲的情況下完成簡單的瞄準任務，重復 400 次；把延遲增加 8 毫秒到20 毫秒，再完成另外 400 次任務。在我們的實驗配置中，我們在 240 Hz 下利用 NVIDIA RTX 2080 Ti 所達到的最低平均延遲為 12 毫秒。這是延遲分析器所測量的平均“點擊到顯示”時間的測量值。

在所有 3200 次試玩中，12 毫秒延遲（1.348 秒）下測得的此任務的完成時間中位數低于 20 毫秒延遲（1.530 秒）下所測得的中位數。在圖 3 中，此類中位數由相應的標準誤差度量來表示。Wilcoxon 檢驗表明這些中位數是不同的（p 值=0.001）。額外的統計檢驗可展示其影響大小，其中的差異十分顯著。

實驗中的任務完成時間略高于已發表研究成果中簡單指向任務的結果。這是因為我們要求用戶執行的任務更加困難。FPS 瞄準要求檢測變化或目標，確定目標在哪里，根據可感知的目標運動進行規劃，移動手指、手、手臂和手腕，將瞄準十字線定位到目標上，最后點擊鼠標按鍵。對于那些經驗豐富、規劃周密的玩家來說，這一系列動作可以很快完成，但是當目標的形狀復雜且運動特征也復雜多變時，玩家可能需要不斷更新對目標的瞄準點擊操作。

圖 3 在 12 毫秒和 20 毫秒系統延遲下，3200 次試玩的瞄準任務完成時間中位數和標準誤差度量。

結束語

根據以往的發布結果和我們自己的數據，我們可以得出結論，縮短計算機系統延遲有利于提升 FPS 瞄準性能。單從響應時間來看，我們認為求勝心切的玩家應該盡可能縮短延遲。此外，我們最新的數據表明，此類改進遠不止是由響應時間所帶來的。

我們將繼續收集數據，推進此領域的研究，并希望很快能帶給大家更多消息。如果想要幫助我們開展此類研究，您可以在即將推出的 KovaaK 2.0 中，花時間玩一下新發布的實驗模式。

關于作者

Josef Spjut 是 NVIDIA 的高級研究科學家，致力于新的人類體驗，例如電子競技和增強現實。他的研究興趣包括計算機圖形學、光線追蹤、視頻游戲和高性能人機交互。在加入 NVIDIA 之前，他是 Harvey Mudd College 的工程學客座助理教授。 Josef 獲得了博士學位。來自猶他大學和學士學位來自加州大學河濱分校，計算機工程專業。

Joohwan Kim 是 NVIDIA 新體驗研究小組的一名視覺科學家。 Joohwan 獲得了博士學位。 2009 年畢業于首爾國立大學，2015 年之前一直在加州大學伯克利分校擔任博士后研究員。 Joohwan 目前的興趣是了解和改善各種顯示器的觀看體驗，尤其是在電子競技方面。

Ben Boudaoud 是 NVIDIA Research 新體驗小組的一名研究工程師。他的背景是超低功耗嵌入式和醫療系統設計，他擁有弗吉尼亞大學的電氣工程碩士學位。最近，他的研究興趣轉向系統延遲和競技游戲用戶性能的各個方面。

審核編輯：郭婷