Fugu-MT 論文翻訳(概要): Engineering Features to Improve Pass Prediction in Soccer Simulation 2D Games

論文の概要: Engineering Features to Improve Pass Prediction in Soccer Simulation 2D Games

arxiv url: http://arxiv.org/abs/2401.03410v1
Date: Sun, 7 Jan 2024 08:01:25 GMT
ステータス: 処理完了
システム内更新日: 2024-01-09 19:02:54.185663
Title: Engineering Features to Improve Pass Prediction in Soccer Simulation 2D Games
Title（参考訳）: サッカーシミュレーション2dゲームにおけるパス予測を改善する工学的特徴
Authors: Nader Zare, Mahtab Sarvmaili, Aref Sayareh, Omid Amini, Stan Matwin Amilcar Soares
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Soccer Simulation 2D (SS2D) is a simulation of a real soccer game in two dimensions. In soccer, passing behavior is an essential action for keeping the ball in possession of our team and creating goal opportunities. Similarly, for SS2D, predicting the passing behaviors of both opponents and our teammates helps manage resources and score more goals. Therefore, in this research, we have tried to address the modeling of passing behavior of soccer 2D players using Deep Neural Networks (DNN) and Random Forest (RF). We propose an embedded data extraction module that can record the decision-making of agents in an online format. Afterward, we apply four data sorting techniques for training data preparation. After, we evaluate the trained models' performance playing against 6 top teams of RoboCup 2019 that have distinctive playing strategies. Finally, we examine the importance of different feature groups on the prediction of a passing strategy. All results in each step of this work prove our suggested methodology's effectiveness and improve the performance of the pass prediction in Soccer Simulation 2D games ranging from 5\% (e.g., playing against the same team) to 10\% (e.g., playing against Robocup top teams).
Abstract（参考訳）: Soccer Simulation 2D (SS2D) 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。サッカーでは、パス行動は、ボールをチームの所有に保ち、ゴールの機会を作り出すために不可欠な行動です。同様に、ss2dでは、対戦相手とチームメイトのパス行動を予測することは、リソースを管理し、より多くのゴールを獲得するのに役立ちます。そこで本研究では,Deep Neural Networks (DNN) とRandom Forest (RF) を用いて,サッカー2Dプレーヤーのパス動作のモデル化を試みた。本稿では,エージェントの意思決定をオンライン形式で記録できる組込みデータ抽出モジュールを提案する。その後,トレーニングデータの準備に4つのデータソート手法を適用する。その後、異なるプレイ戦略を持つRoboCup 2019のトップ6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。最後に,通過戦略の予測における異なる特徴群の重要性について検討する。この研究の各ステップにおけるすべての結果は提案手法の有効性を証明し、サッカーシミュレーションの2Dゲームにおけるパス予測の性能を5\%(例えば、同じチームと対戦する)から10\%(例えば、ロブクアップトップチームと対戦する)まで改善する。

関連論文リスト

Arena Learning: Build Data Flywheel for LLMs Post-training via Simulated Chatbot Arena [126.70522244144088]
AI駆動のアノテーションを使ってアリーナの戦いをシミュレートするために設計された、革新的なオフライン戦略であるArena Learningを紹介します。 Arena Learningは、オフラインシミュレーションとオンラインコンペティションの正確な評価と一貫性を保証する。ターゲットモデルであるWizardLM-$beta$をトレーニングするためにArena Learningを適用し、大幅なパフォーマンス向上を示します。
論文参考訳（メタデータ） (2024-07-15T11:26:07Z)
Improving Dribbling, Passing, and Marking Actions in Soccer Simulation 2D Games Using Machine Learning [4.350850682297813]
ロボカップの競技会は1997年に始まり、最古のロボカップリーグとして知られている。ロボカップ2Dサッカーシミュレーションリーグ(RoboCup 2D Soccer Simulation League)は、24人の自律的なエージェントが2つのチームでプレーする、部分的に観察可能なサッカー環境である。本稿では, CYRUS(RoboCup 2021 2D Soccer Simulation Leagueのチャンピオン)の主な戦略と機能について述べる。
論文参考訳（メタデータ） (2024-01-07T07:54:26Z)
Denoising Opponents Position in Partial Observation Environment [0.4660328753262075]
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。
論文参考訳（メタデータ） (2023-10-23T04:16:52Z)
Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
論文参考訳（メタデータ） (2023-03-23T17:43:17Z)
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)
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)
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)
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)
Optimising Game Tactics for Football [18.135001427294032]
サッカーにおける戦術的・戦略的意思決定を最適化するための新しいアプローチを提案する。我々は,サッカーをベイズゲームから構成したマルチステージゲームとしてモデル化し,プレマッチ決定をモデル化し,インマッチ状態遷移と決定をモデル化する。これに基づいて、異なる目的でチーム形成とゲーム内戦術を最適化するアルゴリズムを開発する。
論文参考訳（メタデータ） (2020-03-23T14:24:45Z)

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。