論文の概要: Black-Box vs. Gray-Box: A Case Study on Learning Table Tennis Ball Trajectory Prediction with Spin and Impacts

• arxiv url: http://arxiv.org/abs/2305.15189v1
• Date: Wed, 24 May 2023 14:28:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 15:19:30.159399
• Title: Black-Box vs. Gray-Box: A Case Study on Learning Table Tennis Ball Trajectory Prediction with Spin and Impacts
• Title（参考訳）: Black-Box vs. Gray-Box: スピンと衝撃によるテーブルテニス球軌道予測の学習事例
• Authors: Jan Achterhold, Philip Tobuschat, Hao Ma, Dieter Buechler, Michael Muehlebach, Joerg Stueckler
• Abstract要約: 本稿では,テーブル球の軌道フィルタリングと予測手法を提案する。 我々は,ボールの初期条件を推測するダイナミックスモデル,拡張カルマンフィルタ,ニューラルモデルのパラメータをデータを用いて学習する。
• 参考スコア（独自算出の注目度）: 12.103456313315764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a method for table tennis ball trajectory filtering and prediction. Our gray-box approach builds on a physical model. At the same time, we use data to learn parameters of the dynamics model, of an extended Kalman filter, and of a neural model that infers the ball's initial condition. We demonstrate superior prediction performance of our approach over two black-box approaches, which are not supplied with physical prior knowledge. We demonstrate that initializing the spin from parameters of the ball launcher using a neural network drastically improves long-time prediction performance over estimating the spin purely from measured ball positions. An accurate prediction of the ball trajectory is crucial for successful returns. We therefore evaluate the return performance with a pneumatic artificial muscular robot and achieve a return rate of 29/30 (97.7%).
• Abstract（参考訳）: 本稿では,卓球軌道のフィルタリングと予測を行う手法を提案する。 グレーボックスのアプローチは物理モデルに基づいています。 同時に、我々はデータを使用して、ダイナミックスモデルのパラメータ、拡張カルマンフィルタ、およびボールの初期状態を予測するニューラルモデルのパラメータを学習する。 我々は,2つのブラックボックスアプローチにおいて,物理的事前知識が提供されていないアプローチよりも優れた予測性能を示す。 ニューラルネットワークを用いてボールランチャーのパラメータからスピンを初期化すると、計測されたボールの位置からスピンを推定するよりも、長時間の予測性能が劇的に向上することを示す。 ボール軌道の正確な予測は、成功するリターンには不可欠である。 そこで, 空気圧型人工筋肉ロボットによるリターン性能の評価を行い, リターン率を29/30 (97.7%) とした。

関連論文リスト

• Supervised Learning for Table Tennis Match Prediction [2.7835697868135902]
  本稿では,テーブルテニスシングルマッチの結果を予測するために機械学習を用いることを提案する。 我々は,プレイヤーとマッチング統計を特徴として用いて,その相対的重要性をアブレーション研究で評価する。 結果は将来の卓球予測モデルのベースラインとして機能し、同様の球技の予測研究にフィードバックすることができる。
  論文  参考訳（メタデータ） (2023-03-28T17:42:13Z)
• Table Tennis Stroke Detection and Recognition Using Ball Trajectory Data [5.735035463793008]
  4人のプロの卓球選手が実行した6つのストローククラスからなるデータセットを取得するために、審判の視点に配置された1台のカメラが使用されている。 従来のオブジェクト検出モデルであるYOLOv4と、時間熱マップベースのモデルであるTrackNetv2を用いたボール追跡がデータセット上に実装されている。 球軌道データを用いてストロークの時間的境界を抽出する数学的アプローチにより,2023個の有効なストロークが得られた。 時間畳み込みネットワークは87.155%の精度で全く見えないデータでストローク認識を実行した。
  論文  参考訳（メタデータ） (2023-02-19T19:13:24Z)
• Rationalizing Predictions by Adversarial Information Calibration [65.19407304154177]
  我々は2つのモデルを共同で訓練する: 1つは、正確だがブラックボックスな方法でタスクを解く典型的なニューラルモデルであり、もう1つは、予測の理論的根拠を付加するセレクタ・予測モデルである。 我々は,2つのモデルから抽出した情報を,それらの違いが欠落した特徴や過度に選択された特徴の指標であるように校正するために,敵対的手法を用いる。
  論文  参考訳（メタデータ） (2023-01-15T03:13:09Z)
• Boosted Dynamic Neural Networks [53.559833501288146]
  典型的なEDNNは、ネットワークバックボーンの異なる層に複数の予測ヘッドを持つ。 モデルを最適化するために、これらの予測ヘッドとネットワークバックボーンは、トレーニングデータのバッチ毎にトレーニングされる。 トレーニングと2つのフェーズでのインプットの異なるテストは、トレーニングとデータ分散のテストのミスマッチを引き起こす。 EDNNを勾配強化にインスパイアされた付加モデルとして定式化し、モデルを効果的に最適化するための複数のトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-30T04:23:12Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Machine Learning in Sports: A Case Study on Using Explainable Models for Predicting Outcomes of Volleyball Matches [0.0]
  本稿では,ブラジルバレーボールリーグ(SuperLiga)における試合結果を予測するための2相説明可能な人工知能(XAI)アプローチについて検討する。 第1フェーズでは、解釈可能なルールベースのMLモデルを直接使用し、モデルの振る舞いをグローバルに理解する。 第2フェーズでは,SVM(Support Vector Machine)やDNN(Deep Neural Network)といった非線形モデルを構築し,バレーボールの試合結果の予測性能を得る。
  論文  参考訳（メタデータ） (2022-06-18T18:09:15Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Enhancing Trajectory Prediction using Sparse Outputs: Application to Team Sports [6.26476800426345]
  プレイヤー予測のためにディープラーニングモデルをトレーニングするのは、驚くほど難しいかもしれません。 本研究では,スパース軌道の予測と一定加速度による補間によりトレーニングを改善する新しい手法を提案する。 我々は,他の選手の完全な軌跡を条件にすることで,プレイヤーのサブセットに対する予測軌跡の精度を向上できることを見出した。
  論文  参考訳（メタデータ） (2021-06-01T01:43:19Z)
• Value-driven Hindsight Modelling [68.658900923595]
  値推定は強化学習(RL)パラダイムの重要な構成要素である。 モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。 この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。 これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
  論文  参考訳（メタデータ） (2020-02-19T18:10:20Z)

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。