論文の概要: Denoising Opponents Position in Partial Observation Environment

• arxiv url: http://arxiv.org/abs/2310.14553v1
• Date: Mon, 23 Oct 2023 04:16:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 22:41:47.975402
• Title: Denoising Opponents Position in Partial Observation Environment
• Title（参考訳）: 部分的観測環境における対向位置の消音
• Authors: Aref Sayareh, Aria Sardari, Vahid Khoddami, Nader Zare, Vinicius Prado da Fonseca, Amilcar Soares
• Abstract要約: サッカーシミュレーション2D (SS2D) では、11人の選手と1人のコーチを含む2チームが対戦する。 我々は,Long Short-Term Memory Model (LSTM) とDeep Neural Networks (DNN) を用いた位置予測のアイデアを説明する。
• 参考スコア（独自算出の注目度）: 0.4660328753262075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The RoboCup competitions hold various leagues, and the Soccer Simulation 2D League is a major among them. Soccer Simulation 2D (SS2D) match involves two teams, including 11 players and a coach for each team, competing against each other. The players can only communicate with the Soccer Simulation Server during the game. Several code bases are released publicly to simplify team development. So researchers can easily focus on decision-making and implementing machine learning methods. SS2D actions and behaviors are only partially accurate due to different challenges, such as noise and partial observation. Therefore, one strategy is to implement alternative denoising methods to tackle observation inaccuracy. Our idea is to predict opponent positions while they have yet to be seen in a finite number of cycles using machine learning methods to make more accurate actions such as pass. We will explain our position prediction idea powered by Long Short-Term Memory models (LSTM) and Deep Neural Networks (DNN). The results show that the LSTM and DNN predict the opponents' position more accurately than the standard algorithm, such as the last-seen method.
• Abstract（参考訳）: ロボカップ大会は様々なリーグが開催され、サッカー・シミュレーション2Dリーグが主要リーグである。 サッカーシミュレーション2D (SS2D) では、11人の選手と1人のコーチを含む2チームが対戦する。 プレイヤーは試合中にサッカーシミュレーションサーバとしか通信できない。 いくつかのコードベースが公開され、チーム開発が簡単になる。 そこで研究者たちは、意思決定と機械学習の手法の実装に容易にフォーカスできる。 SS2Dの動作と行動は、ノイズや部分的な観察のような異なる課題のために、部分的には正確である。 したがって、1つの戦略は、観測の不正確性に取り組むための代替のデノイジング手法を実装することである。 我々のアイデアは、パスのようなより正確なアクションを行うために機械学習手法を使用して、有限個のサイクルで見ることなく、相手の位置を予測することです。 本稿では,Long Short-Term Memory Model (LSTM) とDeep Neural Networks (DNN) を用いた位置予測について説明する。 その結果,LSTM と DNN は,Last-Seen 法のような標準アルゴリズムよりも,相手の位置を正確に予測できることがわかった。

関連論文リスト

• Engineering Features to Improve Pass Prediction in Soccer Simulation 2D Games [0.0]
  サッカーシミュレーション2D(英: Soccer Simulation 2D)は、2次元の実際のサッカーゲームのシミュレーションである。 我々は,Deep Neural Networks (DNN) とRandom Forest (RF) を用いたサッカー2Dプレーヤーのパス動作のモデル化を試みた。 RoboCup 2019の6つのトップチームに対して、トレーニングされたモデルのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-01-07T08:01:25Z)
• Observation Denoising in CYRUS Soccer Simulation 2D Team For RoboCup 2023 [7.658318240235567]
  本稿では,RoboCup 2021のチャンピオンであるCYRUSサッカーシミュレーション2Dチームの最新の研究について述べる。 長寿命メモリネットワーク(LSTM)とディープニューラルネットワーク(DNN)を利用した私たちの認知的アイデアについて説明する。
  論文  参考訳（メタデータ） (2023-05-27T20:46:33Z)
• CYRUS Soccer Simulation 2D Team Description Paper 2022 [8.86121279277966]
  本稿では,CYRUSサッカーシミュレーションチームの前回および現在の研究を紹介する。 本稿では,Pass Prediction Deep Neural Network を用いたアンマーク決定と位置決めの改善について述べる。
  論文  参考訳（メタデータ） (2022-05-22T23:16:37Z)
• 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)
• 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)
• Discovering Multi-Agent Auto-Curricula in Two-Player Zero-Sum Games [31.97631243571394]
  明示的な人間設計なしに更新ルールの発見を自動化するフレームワークであるLMACを導入する。 意外なことに、人間のデザインがなくても、発見されたMARLアルゴリズムは競争力や性能が向上する。 LMAC は,例えば Kuhn Poker のトレーニングやPSRO の成績など,小型ゲームから大規模ゲームへの一般化が可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:30:25Z)
• 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)
• L2E: Learning to Exploit Your Opponent [66.66334543946672]
  本稿では,暗黙的対向モデリングのための新しい学習フレームワークを提案する。 L2Eは、トレーニング中に異なる相手との対話によって、相手を悪用する能力を取得する。 本稿では, 対戦相手を自動的に生成する新しい対戦相手戦略生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-18T14:27:59Z)
• Evaluating Soccer Player: from Live Camera to Deep Reinforcement Learning [0.0]
  オープンソースのプレイヤー追跡モデルと、Deep Reinforcement Learningのみに基づいてこれらのプレイヤーを評価する新しいアプローチの2つの部分のソリューションを紹介します。 私達の追跡モデルは私達がまた解放するデータセットの監視された方法で訓練され、私達の評価モデルは仮想サッカーゲームのシミュレーションだけに頼ります。 新たなアプローチであるExpected Discounted Goal(EDG)は、チームが特定の状態から獲得または達成できる目標の数を表します。
  論文  参考訳（メタデータ） (2021-01-13T23:26:17Z)
• Learning to Play Sequential Games versus Unknown Opponents [93.8672371143881]
  学習者が最初にプレーするゲームと、選択した行動に反応する相手との連続的なゲームについて考察する。 対戦相手の対戦相手列と対戦する際,学習者に対して新しいアルゴリズムを提案する。 我々の結果には、相手の反応の正則性に依存するアルゴリズムの後悔の保証が含まれている。
  論文  参考訳（メタデータ） (2020-07-10T09:33:05Z)
• Evaluating and Rewarding Teamwork Using Cooperative Game Abstractions [103.3630903577951]
  我々は、協調ゲーム理論を用いて、プロスポーツから、人工RLエージェントのチームと現実世界のチームを研究する。 データからCFを推定するための協調ゲーム抽象化(CGA)と呼ばれるパラメトリックモデルを導入する。 CGAモデルに対する識別結果とサンプル境界の複雑さと、CGAを用いたShapley値の推定における誤差境界を提供する。
  論文  参考訳（メタデータ） (2020-06-16T22:03:36Z)

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。