論文の概要: Stop Guessing: Optimizing Goalkeeper Policies for Soccer Penalty Kicks
- arxiv url: http://arxiv.org/abs/2505.24629v1
- Date: Fri, 30 May 2025 14:23:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-02 19:47:52.994984
- Title: Stop Guessing: Optimizing Goalkeeper Policies for Soccer Penalty Kicks
- Title（参考訳）: サッカーのペナルティキックのゴールキーパーポリシーを最適化する
- Authors: Lotte Bransen, Tim Janssen, Jesse Davis,
- Abstract要約: 我々は,異なるゴールキーパー戦略の有効性を評価できるプレイヤー非依存のシミュレーションフレームワークを開発した。
私たちの研究は、ペナルティの専門家が注釈を付けた大量の罰則に基づいています。
現実の状況におけるゴールキーパーポリシーの最適化に,私たちのフレームワークをどのように利用できるかを示します。
- 参考スコア（独自算出の注目度）: 12.570261404313655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Penalties are fraught and game-changing moments in soccer games that teams explicitly prepare for. Consequently, there has been substantial interest in analyzing them in order to provide advice to practitioners. From a data science perspective, such analyses suffer from a significant limitation: they make the unrealistic simplifying assumption that goalkeepers and takers select their action -- where to dive and where to the place the kick -- independently of each other. In reality, the choices that some goalkeepers make depend on the taker's movements and vice-versa. This adds substantial complexity to the problem because not all players have the same action capacities, that is, only some players are capable of basing their decisions on their opponent's movements. However, the small sample sizes on the player level mean that one may have limited insights into a specific opponent's capacities. We address these challenges by developing a player-agnostic simulation framework that can evaluate the efficacy of different goalkeeper strategies. It considers a rich set of choices and incorporates information about a goalkeeper's skills. Our work is grounded in a large dataset of penalties that were annotated by penalty experts and include aspects of both kicker and goalkeeper strategies. We show how our framework can be used to optimize goalkeeper policies in real-world situations.
- Abstract（参考訳）: 罰則は、チームが明示的に準備するサッカーの試合において、ひそかで、ゲームを変える瞬間です。
そのため、実践者に助言を与えるため、分析にかなりの関心が寄せられている。
データサイエンスの観点から見れば、このような分析には大きな制限がある。彼らはゴールキーパーとテイカーが、どこでダイビングし、キックの場所を -- 互いに独立して -- 行動を選択するという非現実的な単純化の仮定を下す。
実際には、一部のゴールキーパーが行う選択は、テイカーの動きと逆転に依存する。
これは、全てのプレイヤーが同じ行動能力を持っているわけではないため、つまり、一部のプレイヤーだけが相手の動きに基づいて決定を下すことができるからである。
しかし、プレイヤーレベルの小さなサンプルサイズは、特定の相手の能力について限られた洞察しか持たないことを意味する。
本研究では,異なるゴールキーパー戦略の有効性を評価できるプレイヤー非依存のシミュレーションフレームワークを開発することで,これらの課題に対処する。
豊富な選択を考慮し、ゴールキーパーのスキルに関する情報を取り入れます。
私たちの仕事は、ペナルティの専門家によって注釈付けされ、キックとゴールキーパーの戦略の両方の側面を含む、大規模なペナルティのデータセットに基づいています。
現実の状況におけるゴールキーパーポリシーの最適化に,私たちのフレームワークをどのように利用できるかを示します。
関連論文リスト
- All by Myself: Learning Individualized Competitive Behaviour with a
Contrastive Reinforcement Learning optimization [57.615269148301515]
競争ゲームのシナリオでは、エージェントのセットは、彼らの目標を最大化し、敵の目標を同時に最小化する決定を学習する必要があります。
本稿では,競争ゲームの表現を学習し,特定の相手の戦略をどうマップするか,それらを破壊するかを学習する3つのニューラルネットワーク層からなる新しいモデルを提案する。
我々の実験は、オフライン、オンライン、競争特化モデル、特に同じ対戦相手と複数回対戦した場合に、我々のモデルがより良いパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2023-10-02T08:11:07Z) - Action valuation of on- and off-ball soccer players based on multi-agent
deep reinforcement learning [4.477124009148237]
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。
論文 参考訳（メタデータ） (2023-05-29T05:14:36Z) - Understanding why shooters shoot -- An AI-powered engine for basketball
performance profiling [70.54015529131325]
バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。
パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。
プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
論文 参考訳（メタデータ） (2023-03-17T01:13:18Z) - ApproxED: Approximate exploitability descent via learned best responses [61.17702187957206]
連続的なアクションセットを持つゲームの近似的ナッシュ均衡を求める問題について検討する。
本稿では,戦略プロファイルに対するエクスプロイラビリティの近似を最小化する2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2023-01-20T23:55:30Z) - What drives a goalkeepers' decisions? [0.0]
ショットストッピングにおいて,どの動きが最も効果的かを予測するモデルを開発した。
ゴールキーパーの実際の行動と比較する。
本研究では,実戦におけるゴールキーパーの行動分析ツールを開発した。
論文 参考訳（メタデータ） (2022-11-01T10:37:44Z) - 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) - 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) - Leaving Goals on the Pitch: Evaluating Decision Making in Soccer [21.85419069962932]
機械学習と人工知能(AI)の技術を組み合わせてサッカーにおける意思決定を推論する汎用フレームワークを提案する。
私たちの重要な結論は、チームが少数のチーム固有の場所でペナルティボックスの外からより頻繁にショットした場合、より多くの目標を達成できるということです。
論文 参考訳（メタデータ） (2021-04-07T16:56:31Z) - 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。