論文の概要: A Multimodal Architecture for Endpoint Position Prediction in Team-based Multiplayer Games

• arxiv url: http://arxiv.org/abs/2507.20670v1
• Date: Mon, 28 Jul 2025 09:51:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:58.069251
• Title: A Multimodal Architecture for Endpoint Position Prediction in Team-based Multiplayer Games
• Title（参考訳）: チームベースマルチプレイヤーゲームにおけるエンドポイント位置予測のためのマルチモーダルアーキテクチャ
• Authors: Jonas Peche, Aliaksei Tsishurou, Alexander Zap, Guenter Wallner,
• Abstract要約: 本稿では,動的時間地平線上での将来のプレーヤ位置の予測のためのマルチモーダルアーキテクチャを提案する。 このアーキテクチャは、動的ゲームデータだけでなく、画像入力、数値的特徴、カテゴリー的特徴を含むマルチモーダルゲーム状態を効率的に利用する。
• 参考スコア（独自算出の注目度）: 42.059466998190224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding and predicting player movement in multiplayer games is crucial for achieving use cases such as player-mimicking bot navigation, preemptive bot control, strategy recommendation, and real-time player behavior analytics. However, the complex environments allow for a high degree of navigational freedom, and the interactions and team-play between players require models that make effective use of the available heterogeneous input data. This paper presents a multimodal architecture for predicting future player locations on a dynamic time horizon, using a U-Net-based approach for calculating endpoint location probability heatmaps, conditioned using a multimodal feature encoder. The application of a multi-head attention mechanism for different groups of features allows for communication between agents. In doing so, the architecture makes efficient use of the multimodal game state including image inputs, numerical and categorical features, as well as dynamic game data. Consequently, the presented technique lays the foundation for various downstream tasks that rely on future player positions such as the creation of player-predictive bot behavior or player anomaly detection.
• Abstract（参考訳）: マルチプレイヤーゲームにおけるプレイヤーの動きの理解と予測は、プレイヤー模倣ボットナビゲーション、プリエンプティブボットコントロール、戦略レコメンデーション、リアルタイムプレイヤー行動分析などのユースケースを達成するために重要である。 しかし、複雑な環境は高度なナビゲーションの自由を許容し、プレイヤー間の相互作用とチームプレイは、利用可能な異種入力データを効果的に活用するモデルを必要とする。 本稿では,マルチモーダル特徴エンコーダを用いて条件付きエンドポイント位置確率ヒートマップを計算するためのU-Netベースのアプローチを用いて,動的時間地平線上で将来のプレイヤー位置を予測するマルチモーダルアーキテクチャを提案する。 異なる特徴群に対するマルチヘッドアテンション機構の適用により、エージェント間の通信が可能となる。 これにより、動的ゲームデータだけでなく、画像入力、数値的特徴、カテゴリー的特徴を含むマルチモーダルゲーム状態の効率的な利用が可能になる。 提案手法は,プレイヤー予測ボット行動の生成やプレイヤー異常検出など,プレイヤーの将来の位置に依存する様々な下流タスクの基礎を定めている。

関連論文リスト

• Multi-Transmotion: Pre-trained Model for Human Motion Prediction [68.87010221355223]
  マルチトランスモーション(Multi-Transmotion)は、モダリティ事前トレーニング用に設計された革新的なトランスフォーマーベースのモデルである。 提案手法は,下流タスクにおける各種データセット間の競合性能を示す。
  論文  参考訳（メタデータ） (2024-11-04T23:15:21Z)
• DeepInteraction++: Multi-Modality Interaction for Autonomous Driving [80.8837864849534]
  我々は,モダリティごとの個別表現を学習し,維持することのできる,新しいモダリティインタラクション戦略を導入する。 DeepInteraction++はマルチモーダルなインタラクション・フレームワークであり、マルチモーダルな表現型インタラクション・エンコーダとマルチモーダルな予測型インタラクション・デコーダを特徴とする。 実験では,3次元物体検出とエンドツーエンドの自律走行の両方において,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-09T14:04:21Z)
• Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。 バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• Who You Play Affects How You Play: Predicting Sports Performance Using Graph Attention Networks With Temporal Convolution [29.478765505215538]
  本研究では,スポーツにおける選手のパフォーマンスを予測するための新しい深層学習手法であるGATv2-GCNを提案する。 グラフアテンションネットワークを使用して、各プレイヤーが互いに支払うアテンションをキャプチャし、より正確なモデリングを可能にします。 実世界スポーツデータを用いたモデルの性能評価を行い,選手のパフォーマンス予測の有効性を実証した。
  論文  参考訳（メタデータ） (2023-03-29T14:48:51Z)
• Predicting the outcome of team movements -- Player time series analysis using fuzzy and deep methods for representation learning [0.0]
  我々は、より拡張された一連の動きや戦術計画において、短い戦術と宇宙占領の有用なエンコーディングのためのフレームワークを提供する。 本稿では,2015-16シーズンのプロバスケットボールSportVUデータセットにおける予測・認識タスクに対する提案手法の有効性について検討する。
  論文  参考訳（メタデータ） (2021-09-13T18:42:37Z)
• Time-series Imputation of Temporally-occluded Multiagent Trajectories [18.862173210927658]
  エージェントのサブセットの過去と将来の観測が、他のエージェントの欠落した観察を推定するために使用される、マルチエージェントの時系列計算の問題について検討する。 グラフインプタ(Graph Imputer)と呼ばれる我々の手法は,グラフネットワークと変分オートエンコーダを組み合わせた前方情報と後方情報を利用する。 提案手法は,プロジェクティブカメラモジュールを用いて,オフスクリーンプレーヤの状態推定設定のためのモデルをトレーニングし,評価する。
  論文  参考訳（メタデータ） (2021-06-08T09:58:43Z)

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。