論文の概要: Inferring Player Location in Sports Matches: Multi-Agent Spatial Imputation from Limited Observations

• arxiv url: http://arxiv.org/abs/2302.06569v1
• Date: Mon, 13 Feb 2023 18:13:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 14:37:54.231247
• Title: Inferring Player Location in Sports Matches: Multi-Agent Spatial Imputation from Limited Observations
• Title（参考訳）: スポーツ競技における選手位置推定--限定観測によるマルチエージェント空間インプテーション
• Authors: Gregory Everett, Ryan J. Beal, Tim Matthews, Joseph Early, Timothy J. Norman, Sarvapali D. Ramchurn
• Abstract要約: マルチエージェントシステム(MAS)におけるエージェントの動作を理解することは、自律運転、災害対応、スポーツ分析などの領域において重要な問題である。 本研究では,一様でない時間経過と限定されたエージェントオブザーバビリティを持つ環境において,エージェント位置計算の問題を分析する。 このアプローチでは,時間的およびエージェント間パターンの学習にLong Short-Term MemoryとGraph Neural Networkのコンポーネントを使用し,各時点におけるエージェントの位置を予測する。
• 参考スコア（独自算出の注目度）: 14.837321668198129
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding agent behaviour in Multi-Agent Systems (MAS) is an important problem in domains such as autonomous driving, disaster response, and sports analytics. Existing MAS problems typically use uniform timesteps with observations for all agents. In this work, we analyse the problem of agent location imputation, specifically posed in environments with non-uniform timesteps and limited agent observability (~95% missing values). Our approach uses Long Short-Term Memory and Graph Neural Network components to learn temporal and inter-agent patterns to predict the location of all agents at every timestep. We apply this to the domain of football (soccer) by imputing the location of all players in a game from sparse event data (e.g., shots and passes). Our model estimates player locations to within ~6.9m; a ~62% reduction in error from the best performing baseline. This approach facilitates downstream analysis tasks such as player physical metrics, player coverage, and team pitch control. Existing solutions to these tasks often require optical tracking data, which is expensive to obtain and only available to elite clubs. By imputing player locations from easy to obtain event data, we increase the accessibility of downstream tasks.
• Abstract（参考訳）: マルチエージェントシステム(MAS)におけるエージェントの動作を理解することは、自律運転、災害対応、スポーツ分析などの領域において重要な問題である。 既存のMAS問題は通常、すべてのエージェントに対する観測を伴う均一なタイムステップを使用する。 本研究では,不均一な時間ステップとエージェントの可観測性(約95%の欠落値)を有する環境において,エージェント位置インプテーションの問題を解析する。 このアプローチでは,時間的およびエージェント間パターンの学習にLong Short-Term Memory と Graph Neural Network コンポーネントを使用し,各タイミングでエージェントの位置を予測する。 試合中の選手全員の位置をスパースイベントデータ(ショットやパスなど)から入力することで,サッカー(サッカー)の領域に適用する。 我々のモデルは、プレーヤの位置を6.9m以内と推定し、最高のパフォーマンスベースラインからエラーを62%削減する。 このアプローチは、プレイヤー物理メトリクス、プレイヤーカバレッジ、チームピッチコントロールなどの下流分析タスクを促進する。 これらの課題に対する既存のソリューションは、しばしば光追跡データを必要とするが、これは入手に費用がかかり、エリートクラブのみが利用できる。 プレーヤの位置をイベントデータ取得の容易さから示唆することで,ダウンストリームタスクのアクセシビリティを向上させる。

関連論文リスト

• TranSPORTmer: A Holistic Approach to Trajectory Understanding in Multi-Agent Sports [28.32714256545306]
  TranSportmerは、これらすべてのタスクに対処できる統合トランスフォーマーベースのフレームワークである。 時間的ダイナミクスと社会的相互作用を同変的に効果的に捉える。 プレイヤー予測、プレイヤー予測・インプット、ボール推論、ボールインプットにおいて、最先端のタスク固有モデルより優れている。
  論文  参考訳（メタデータ） (2024-10-23T11:35:44Z)
• Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。 バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• Monte-Carlo Tree Search for Multi-Agent Pathfinding: Preliminary Results [60.4817465598352]
  マルチエージェントパスフィンディングに適したモンテカルロ木探索(MCTS)のオリジナル版を紹介する。 具体的には,エージェントの目標達成行動を支援するために,個別の経路を用いる。 また,木探索手順の分岐係数を低減するために,専用の分解手法を用いる。
  論文  参考訳（メタデータ） (2023-07-25T12:33:53Z)
• Graph Neural Networks to Predict Sports Outcomes [0.0]
  スポーツに依存しないグラフによるゲーム状態の表現を導入する。 次に、提案したグラフ表現をグラフニューラルネットワークの入力として使用し、スポーツ結果を予測する。
  論文  参考訳（メタデータ） (2022-07-28T14:45:02Z)
• Multi-Agent Neural Rewriter for Vehicle Routing with Limited Disclosure of Costs [65.23158435596518]
  チームのマルコフゲームとして、部分的に観測可能なコストでマルチサイクルルーティング問題を解く。 我々のマルチエージェント強化学習アプローチである、いわゆるマルチエージェントニューラルリライタは、1エージェントニューラルリライタを利用して、反復的に書き換えるソリューションによって問題を解決する。
  論文  参考訳（メタデータ） (2022-06-13T09:17:40Z)
• SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in Soccer Videos [62.686484228479095]
  本稿では,各30の200列からなる複数物体追跡のための新しいデータセットを提案する。 データセットは、バウンディングボックスとトラックレットIDで完全に注釈付けされている。 分析の結果,サッカービデオにおける複数の選手,審判,ボール追跡が解決されるには程遠いことがわかった。
  論文  参考訳（メタデータ） (2022-04-14T12:22:12Z)
• Extraction of Positional Player Data from Broadcast Soccer Videos [3.7437974317872]
  サッカーの試合の放送映像記録から位置データの完全自動抽出のためのパイプラインを提案する。 このシステムは、スポーツフィールド登録、プレーヤー検出、チーム割り当てなど、必要なすべてのサブタスクを統合している。 個々のモジュールとパイプライン全体の総合的な実験的評価が提示される。
  論文  参考訳（メタデータ） (2021-10-21T12:49:56Z)
• Self-Supervised Small Soccer Player Detection and Tracking [8.851964372308801]
  最先端のトラッキングアルゴリズムは、トレーニングされたシナリオで印象的な結果を得るが、サッカーの試合のような挑戦的なシナリオでは失敗する。 これは、しばしばプレイヤーの相対的なサイズが小さく、同じチームのプレイヤーに類似しているためである。 そこで本研究では,低解像度のサッカー選手を異なる記録条件下で検出・追跡できる自己教師型パイプラインを提案する。
  論文  参考訳（メタデータ） (2020-11-20T10:57:18Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• Toward Accurate Person-level Action Recognition in Videos of Crowded Scenes [131.9067467127761]
  我々は、シーンの情報を完全に活用し、新しいデータを集めることで、アクション認識を改善することに集中する。 具体的には、各フレームの空間的位置を検出するために、強い人間の検出器を採用する。 そして、行動認識モデルを適用して、HIEデータセットとインターネットから多様なシーンを持つ新しいデータの両方でビデオフレームから時間情報を学ぶ。
  論文  参考訳（メタデータ） (2020-10-16T13:08:50Z)

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。