論文の概要: Action valuation of on- and off-ball soccer players based on multi-agent deep reinforcement learning

• arxiv url: http://arxiv.org/abs/2305.17886v1
• Date: Mon, 29 May 2023 05:14:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 16:08:37.690181
• Title: Action valuation of on- and off-ball soccer players based on multi-agent deep reinforcement learning
• Title（参考訳）: マルチエージェント深層強化学習に基づくオンオフサッカー選手の行動評価
• Authors: Hiroshi Nakahara, Kazushi Tsutsui, Kazuya Takeda, Keisuke Fujii
• Abstract要約: マルチエージェント深部強化学習に基づく1つの総合的な枠組みを用いて,オンタイムおよびオフボール選手のアクションを評価する手法を提案する。 本手法では,識別やラベル付けが困難なゲームを通して,複数のプレイヤーが連続的に動き続けるかを評価することができる。
• 参考スコア（独自算出の注目度）: 7.688133652295848
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Analysis of invasive sports such as soccer is challenging because the game situation changes continuously in time and space, and multiple agents individually recognize the game situation and make decisions. Previous studies using deep reinforcement learning have often considered teams as a single agent and valued the teams and players who hold the ball in each discrete event. Then it was challenging to value the actions of multiple players, including players far from the ball, in a spatiotemporally continuous state space. In this paper, we propose a method of valuing possible actions for on- and off-ball soccer players in a single holistic framework based on multi-agent deep reinforcement learning. We consider a discrete action space in a continuous state space that mimics that of Google research football and leverages supervised learning for actions in reinforcement learning. In the experiment, we analyzed the relationships with conventional indicators, season goals, and game ratings by experts, and showed the effectiveness of the proposed method. Our approach can assess how multiple players move continuously throughout the game, which is difficult to be discretized or labeled but vital for teamwork, scouting, and fan engagement.
• Abstract（参考訳）: サッカーなどの侵略的なスポーツの分析は、ゲーム状況が時間と空間で連続的に変化し、複数のエージェントが個別にゲーム状況を認識して決定するので、困難である。 深層強化学習を用いた以前の研究は、しばしばチームが単一のエージェントであるとみなし、各個別のイベントでボールを保持しているチームや選手を評価してきた。 その後、ボールから遠く離れたプレイヤーを含む複数のプレイヤーのアクションを時空間的に連続した状態空間で評価することが難しかった。 本稿では,マルチエージェント深層強化学習に基づく1つの総合的な枠組みにおいて,オン・オフのサッカー選手に対して可能なアクションを評価する手法を提案する。 我々は、Googleリサーチフットボールを模倣し、強化学習における行動に教師あり学習を活用する連続状態空間における離散的なアクション空間を考える。 実験では,従来の指標,季節目標,ゲーム評価との関係を専門家によって分析し,提案手法の有効性を示した。 本手法は,チームワークやスカウト,ファンエンゲージメントに欠かせない,識別やラベル付けが難しいゲーム全体を通じて,複数のプレイヤーの継続的な動きを評価する。

関連論文リスト

• Presenting Multiagent Challenges in Team Sports Analytics [1.370633147306388]
  我々は、MASは侵入ゲームの研究に適しており、MASとスポーツアナリティクスの両方に利益をもたらすと論じている。 我々は,MASの実施と,短期的なゲーム内戦略(コーチング)と長期チーム計画(マネジメント)という,2つの軸に沿った開発領域を強調した。
  論文  参考訳（メタデータ） (2023-03-23T20:29:32Z)
• A Survey on Video Action Recognition in Sports: Datasets, Methods and Applications [60.3327085463545]
  本稿では,スポーツ分析のための映像行動認識に関する調査を行う。 サッカー、バスケットボール、バレーボール、ホッケー、フィギュアスケート、体操、卓球、ダイビング、バドミントンなど10種以上のスポーツを紹介します。 本研究では,サッカー,バスケットボール,卓球,フィギュアスケート動作認識をサポートするPaddlePaddleを用いたツールボックスを開発した。
  論文  参考訳（メタデータ） (2022-06-02T13:19:36Z)
• 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)
• Is it worth the effort? Understanding and contextualizing physical metrics in soccer [1.2205797997133396]
  このフレームワークは、サッカーの物理的側面と技術的戦術的側面の関連について深い洞察を与える。 トップダウンアプローチのおかげで、物理パフォーマンスとバリュー生成を関連付けることができます。
  論文  参考訳（メタデータ） (2022-04-05T16:14:40Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• Towards optimized actions in critical situations of soccer games with deep reinforcement learning [2.578242050187029]
  本研究は,サッカーゲームにおける新しい状態表現と,スマートポリシーネットワークをトレーニングするためのバッチ強化学習を提案する。 InStatによる104試合のサッカーログの数値実験を行った。 その結果,全104ゲームにおいて,最適化されたポリシーは行動ポリシーよりも高い報酬を得ることがわかった。
  論文  参考訳（メタデータ） (2021-09-14T12:27:06Z)
• 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)
• Coach-Player Multi-Agent Reinforcement Learning for Dynamic Team Composition [88.26752130107259]
  現実世界のマルチエージェントシステムでは、異なる能力を持つエージェントがチーム全体の目標を変更することなく参加または離脱する可能性がある。 この問題に取り組むコーチ・プレイヤー・フレームワーク「COPA」を提案します。 1)コーチと選手の両方の注意メカニズムを採用し、2)学習を正規化するための変動目標を提案し、3)コーチが選手とのコミュニケーションのタイミングを決定するための適応的なコミュニケーション方法を設計する。
  論文  参考訳（メタデータ） (2021-05-18T17:27:37Z)
• Learning to Play Soccer From Scratch: Sample-Efficient Emergent Coordination through Curriculum-Learning and Competition [1.675857332621569]
  本研究では,2v2サッカーに適用した複雑なマルチエージェント動作を効率的に学習する手法を提案する。 この問題はマルコフゲームとして定式化され、深層強化学習を用いて解決される。 この結果から, サッカーの高品質なプレーは40M未満のインタラクションで実現できることが示された。
  論文  参考訳（メタデータ） (2021-03-09T01:57:16Z)
• 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)

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。