論文の概要: An Integrated Framework for Team Formation and Winner Prediction in the
FIRST Robotics Competition: Model, Algorithm, and Analysis
- arxiv url: http://arxiv.org/abs/2402.00031v1
- Date: Sat, 6 Jan 2024 23:11:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-04 05:24:07.214254
- Title: An Integrated Framework for Team Formation and Winner Prediction in the
FIRST Robotics Competition: Model, Algorithm, and Analysis
- Title(参考訳): 第1回ロボティクスコンペティションにおけるチーム形成と勝者予測のための統合フレームワーク:モデル,アルゴリズム,分析
- Authors: Federico Galbiati, Ranier X. Gran, Brendan D. Jacques, Sullivan J.
Mulhern, Chun-Kit Ngan
- Abstract要約: 本手法をFIRSTロボティクスコンペティションの起草プロセスに適用する。
まず,チーム全体のパフォーマンスに基づいて,個々のメンバのパフォーマンスを推定する手法を開発した。
チーム形成を最適化するためにアライアンス最適化アルゴリズムを開発し、優勝チームを予測するためにディープニューラルネットワークモデルを訓練する。
- 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: This research work aims to develop an analytical approach for optimizing team
formation and predicting team performance in a competitive environment based on
data on the competitors' skills prior to the team formation. There are several
approaches in scientific literature to optimize and predict a team's
performance. However, most studies employ fine-grained skill statistics of the
individual members or constraints such as teams with a set group of members.
Currently, no research tackles the highly constrained domain of the FIRST
Robotics Competition. This research effort aims to fill this gap by providing
an analytical method for optimizing and predicting team performance in a
competitive environment while allowing these constraints and only using metrics
on previous team performance, not on each individual member's performance. We
apply our method to the drafting process of the FIRST Robotics competition, a
domain in which the skills change year-over-year, team members change
throughout the season, each match only has a superficial set of statistics, and
alliance formation is key to competitive success. First, we develop a method
that could extrapolate individual members' performance based on overall team
performance. An alliance optimization algorithm is developed to optimize team
formation and a deep neural network model is trained to predict the winning
team, both using highly post-processed real-world data. Our method is able to
successfully extract individual members' metrics from overall team statistics,
form competitive teams, and predict the winning team with 84.08% accuracy.
- Abstract(参考訳): 本研究は,チーム形成に先立って,競争環境におけるチーム形成の最適化とチームパフォーマンス予測のための分析的アプローチを開発することを目的とする。
チームのパフォーマンスを最適化し予測するための科学的文献には、いくつかのアプローチがある。
しかし、ほとんどの研究は、個々のメンバーの細かなスキル統計や、メンバーのグループのチームのような制約を用いている。
現在、FIRSTロボティクスコンペティションの厳しい領域に対処する研究は行われていない。
この研究は、競争環境におけるチームのパフォーマンスを最適化し予測する分析方法を提供することによって、このギャップを埋めることを目的としています。
本手法を第1回ロボティクスコンペティションの草案作成プロセスに適用し, 年々スキルが変化し, チームメンバーがシーズンを通じて変化し, 各試合の表層的な統計データのみを持ち, コンペティション形成が競争成功の鍵となる分野である。
まず,チーム全体のパフォーマンスに基づいて,個々のメンバのパフォーマンスを推定する手法を開発した。
チーム形成を最適化するためにアライアンス最適化アルゴリズムが開発され、高い処理後実世界のデータを使用して勝利チームを予測するためにディープニューラルネットワークモデルが訓練される。
我々の手法は、チーム統計全体から個々のメンバーのメトリクスを抽出し、競争力のあるチームを形成し、84.08%の精度で勝利チームを予測できる。
関連論文リスト
- Optimizing Fantasy Sports Team Selection with Deep Reinforcement Learning [0.2399911126932527]
我々は,チームの潜在的なパフォーマンスを最大化するために,プレイヤーを適応的に選択できるモデルを開発する。
我々の手法は、過去のプレイヤーデータを利用してRLアルゴリズムを訓練し、将来のパフォーマンスを予測し、チーム構成を最適化する。
以上の結果から,RLベースの戦略が,ファンタジースポーツにおける選手選択に有意義な洞察をもたらすことが示唆された。
論文 参考訳(メタデータ) (2024-12-26T13:36:18Z) - Benchmarking Robustness and Generalization in Multi-Agent Systems: A
Case Study on Neural MMO [50.58083807719749]
IJCAI 2022で開催されている第2回Neural MMOチャレンジの結果を報告する。
この競合はマルチエージェントシステムの堅牢性と一般化をターゲットにしている。
環境ラッパー、ベースライン、可視化ツール、そしてさらなる研究のための選択されたポリシーを含むベンチマークをオープンソースにします。
論文 参考訳(メタデータ) (2023-08-30T07:16:11Z) - A Reinforcement Learning-assisted Genetic Programming Algorithm for Team
Formation Problem Considering Person-Job Matching [70.28786574064694]
解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。
効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
論文 参考訳(メタデータ) (2023-04-08T14:32:12Z) - Retrospective on the 2021 BASALT Competition on Learning from Human
Feedback [92.37243979045817]
競争の目的は、人間のフィードバック(LfHF)技術から学び、オープンワールドの課題を解決するエージェントへの研究を促進することであった。
LfHF技術の使用を義務付けるのではなく、ビデオゲームMinecraftで達成すべき自然言語の4つのタスクについて説明した。
チームは、様々な可能な人間のフィードバックタイプにまたがる多様なLfHFアルゴリズムを開発した。
論文 参考訳(メタデータ) (2022-04-14T17:24:54Z) - Evaluating Team Skill Aggregation in Online Competitive Games [4.168733556014873]
本稿では,2つの新しい集計手法が評価システムの予測性能に与える影響について分析する。
以上の結果から,テストケースの大部分において,MAX法が他の2手法よりも優れていることが示された。
本研究の結果は,チームのパフォーマンスを計算するために,より精巧な手法を考案する必要性を浮き彫りにした。
論文 参考訳(メタデータ) (2021-06-21T20:17:36Z) - The MineRL 2020 Competition on Sample Efficient Reinforcement Learning
using Human Priors [62.9301667732188]
我々は,MineRLコンペティションの第2イテレーションを提案する。
競争の主な目標は、人間のデモンストレーションを効率的に活用できるアルゴリズムの開発を促進することです。
コンペティションは、データセットと環境のペアバージョンが複数提供される2ラウンドで構成されている。
各ラウンドの終わりに、競合他社はコンテナ化された学習アルゴリズムをaicrowdプラットフォームに提出する。
論文 参考訳(メタデータ) (2021-01-26T20:32:30Z) - Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies
in Extensive-Form Zero-Sum Games [123.76716667704625]
我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。
この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。
各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
論文 参考訳(メタデータ) (2020-09-21T17:51:57Z) - Competitive Balance in Team Sports Games [8.321949054700086]
最終的なスコア差を用いることで,競争バランスの予測基準がさらに向上することを示す。
また、慎重に選択されたチームと個々の特徴に基づいて訓練された線形モデルが、より強力なニューラルネットワークモデルの性能をほぼ達成できることも示している。
論文 参考訳(メタデータ) (2020-06-24T14:19:07Z) - TAIP: an anytime algorithm for allocating student teams to internship
programs [0.0]
我々は、教育の文脈において、チームとタスクをマッチングする問題、特に学生のチームを編成し、インターンシッププログラムに割り当てるコンテキストに焦点をあてる。
まず、インターンシッププログラム問題のためのチーム割当の形式化を行い、それを最適に解くことの計算困難さを示す。
我々は、後に反復的なプロセスの改善を試みる初期チームのアロケーションを生成するアルゴリズムであるTAIPを提案する。
論文 参考訳(メタデータ) (2020-05-19T09:50:38Z) - Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。
我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。
実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
論文 参考訳(メタデータ) (2020-04-27T19:06:28Z)
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。