論文の概要: How does AI play football? An analysis of RL and real-world football strategies

• arxiv url: http://arxiv.org/abs/2111.12340v1
• Date: Wed, 24 Nov 2021 08:44:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 20:40:22.099302
• Title: How does AI play football? An analysis of RL and real-world football strategies
• Title（参考訳）: AIはどのようにサッカーをするのか? RLと実世界のサッカー戦略の分析
• Authors: Atom Scott, Keisuke Fujii and Masaki Onishi
• Abstract要約: 強化学習(RL)により、幅広い応用に優れた高度なエージェントの開発が可能になった。 サッカーRLエージェントのプレイスタイル特性について検討し、トレーニング中に戦略がどのように発展するかを明らかにする。 学習した戦略は、実際のサッカー選手の戦略と比較される。
• 参考スコア（独自算出の注目度）: 2.1628586087680075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in reinforcement learning (RL) have made it possible to develop sophisticated agents that excel in a wide range of applications. Simulations using such agents can provide valuable information in scenarios that are difficult to scientifically experiment in the real world. In this paper, we examine the play-style characteristics of football RL agents and uncover how strategies may develop during training. The learnt strategies are then compared with those of real football players. We explore what can be learnt from the use of simulated environments by using aggregated statistics and social network analysis (SNA). As a result, we found that (1) there are strong correlations between the competitiveness of an agent and various SNA metrics and (2) aspects of the RL agents play style become similar to real world footballers as the agent becomes more competitive. We discuss further advances that may be necessary to improve our understanding necessary to fully utilise RL for the analysis of football.
• Abstract（参考訳）: 近年の強化学習(RL)の進歩により、幅広い応用に優れた高度なエージェントの開発が可能となった。 このようなエージェントを用いたシミュレーションは、現実世界で科学的に実験することが難しいシナリオで貴重な情報を提供することができる。 本稿では,サッカーrlエージェントのプレイスタイル特性を調べ,トレーニング中に戦略がどう発達するかを明らかにする。 学習戦略は、実際のサッカー選手の戦略と比較される。 本研究では,集約統計とソーシャル・ネットワーク・アナリティクス(SNA)を用いて,シミュレーション環境の利用から何が学べるかを考察する。 その結果,(1)エージェントの競争力と各種sna指標の間には強い相関関係があり,(2)エージェントの競争力が高まるにつれて,rlエージェントのプレイスタイルは現実世界のサッカー選手とよく似ていることがわかった。 我々は、サッカーの分析にRLを完全に活用するために必要な理解を改善するために必要なさらなる進歩について論じる。

関連論文リスト

• ALYMPICS: LLM Agents Meet Game Theory -- Exploring Strategic Decision-Making with AI Agents [77.34720446306419]
  Alympicsは、ゲーム理論の研究にLarge Language Model (LLM)エージェントを利用する、体系的なシミュレーションフレームワークである。 Alympicsは、複雑なゲーム理論の問題を研究するための汎用的なプラットフォームを作成する。
  論文  参考訳（メタデータ） (2023-11-06T16:03:46Z)
• An Approach to Partial Observability in Games: Learning to Both Act and Observe [0.0]
  強化学習(RL)は、環境全体が見えるゲームを学ぶのに成功している。 しかし、RLアプローチはStarcraft IIのような複雑なゲームや、環境全体が見えない現実世界環境では挑戦されている。 より限られた視覚情報を持つこれらの複雑なゲームでは、エージェントは、ゲームで成功するためには、どの場所を見るか、どのように制限された視覚情報を使用するかを選択する必要がある。
  論文  参考訳（メタデータ） (2021-08-11T17:45:56Z)
• From Motor Control to Team Play in Simulated Humanoid Football [56.86144022071756]
  我々は、現実的な仮想環境でサッカーをするために、物理的にシミュレートされたヒューマノイドアバターのチームを訓練する。 一連の段階において、プレイヤーはまず、現実的な人間のような動きを実行するために、完全に関節化された身体を制御することを学習する。 その後、ドリブルやシューティングといった中級のサッカーのスキルを身につける。 最後に、彼らは他の人を意識し、チームとしてプレーし、ミリ秒のタイムスケールで低レベルのモーターコントロールのギャップを埋める。
  論文  参考訳（メタデータ） (2021-05-25T20:17:10Z)
• An analysis of Reinforcement Learning applied to Coach task in IEEE Very Small Size Soccer [2.5400028272658144]
  本稿では、強化学習(RL)に基づくコーチングタスクのエンドツーエンドアプローチを提案する。 シミュレーション環境では、3つの異なるチームに対して2つのRLポリシーをトレーニングしました。 結果はVSSSリーグのトップチームの1つに対して評価された。
  論文  参考訳（メタデータ） (2020-11-23T23:10:06Z)
• Game Plan: What AI can do for Football, and What Football can do for AI [83.79507996785838]
  予測的および規範的フットボール分析は、統計学習、ゲーム理論、コンピュータビジョンの交差点における新たな発展と進歩を必要とする。 フットボール分析は、サッカー自体のゲームを変えるだけでなく、この領域がAIの分野で何を意味するのかという観点からも、非常に価値の高いゲームチェンジャーであることを示す。
  論文  参考訳（メタデータ） (2020-11-18T10:26:02Z)
• Text-based RL Agents with Commonsense Knowledge: New Challenges, Environments and Baselines [40.03754436370682]
  テキストワールド・コモンセンスにコモンセンスの知識を取り入れたエージェントは,より効率的に行動しながら,より優れた行動を示す。 我々は,TWC上での人的パフォーマンスを推定するユーザスタディを実施し,今後の改善の余地が十分にあることを示す。
  論文  参考訳（メタデータ） (2020-10-08T06:20:00Z)
• A Framework for Studying Reinforcement Learning and Sim-to-Real in Robot Soccer [1.1785354380793065]
  本稿では,ロボットサッカーにおける強化学習(Reinforcement Learning, RL)とsim-to-realを研究するための,VSSS-RLと呼ばれるオープンフレームワークを紹介する。 本研究では,サッカーエージェントの完全な動作を制御するために,連続的あるいは離散的な制御ポリシーを訓練できるシミュレーション環境を提案する。 本研究の結果から,手作り制御政策の実施が困難な行動の幅広いレパートリーを学習したことが示唆された。
  論文  参考訳（メタデータ） (2020-08-18T23:52:32Z)
• Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks [70.56451186797436]
  本研究では,メタ強化学習を用いてシミュレーションの課題の大部分を解決する方法について検討する。 エージェントを訓練して現実の挿入タスクを成功させる手法を実証する。
  論文  参考訳（メタデータ） (2020-04-29T18:00:22Z)
• Learning from Learners: Adapting Reinforcement Learning Agents to be Competitive in a Card Game [71.24825724518847]
  本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。 本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
  論文  参考訳（メタデータ） (2020-04-08T14:11:05Z)
• Model-Based Reinforcement Learning for Atari [89.3039240303797]
  エージェントがモデルフリーの手法よりも少ないインタラクションでAtariゲームを解くことができることを示す。 本実験は,エージェントと環境間の100kの相互作用の少ないデータ構造における,AtariゲームにおけるSimPLeの評価である。
  論文  参考訳（メタデータ） (2019-03-01T15:40:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。