論文の概要: Coherent Multi-Agent Trajectory Forecasting in Team Sports with CausalTraj

• arxiv url: http://arxiv.org/abs/2511.18248v1
• Date: Sun, 23 Nov 2025 02:24:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.719797
• Title: Coherent Multi-Agent Trajectory Forecasting in Team Sports with CausalTraj
• Title（参考訳）: CausalTrajを用いたチームスポーツにおけるコヒーレントなマルチエージェント軌道予測
• Authors: Wei Zhen Teoh,
• Abstract要約: CausalTrajは時間的因果関係に基づくモデルであり、共同で予測可能なマルチエージェント軌道予測を生成する。 NBAスポーツVU、バスケットボールU、フットボールUのデータセットで評価された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Jointly forecasting trajectories of multiple interacting agents is a core challenge in sports analytics and other domains involving complex group dynamics. Accurate prediction enables realistic simulation and strategic understanding of gameplay evolution. Most existing models are evaluated solely on per-agent accuracy metrics (minADE, minFDE), which assess each agent independently on its best-of-k prediction. However these metrics overlook whether the model learns which predicted trajectories can jointly form a plausible multi-agent future. Many state-of-the-art models are designed and optimized primarily based on these metrics. As a result, they may underperform on joint predictions and also fail to generate coherent, interpretable multi-agent scenarios in team sports. We propose CausalTraj, a temporally causal, likelihood-based model that is built to generate jointly probable multi-agent trajectory forecasts. To better assess collective modeling capability, we emphasize joint metrics (minJADE, minJFDE) that measure joint accuracy across agents within the best generated scenario sample. Evaluated on the NBA SportVU, Basketball-U, and Football-U datasets, CausalTraj achieves competitive per-agent accuracy and the best recorded results on joint metrics, while yielding qualitatively coherent and realistic gameplay evolutions.
• Abstract（参考訳）: 複数の相互作用するエージェントの軌跡を共同で予測することは、スポーツ分析と複雑なグループダイナミクスを含む他のドメインにおける中核的な課題である。 正確な予測は、現実的なシミュレーションとゲームプレイの進化の戦略的理解を可能にする。 既存のモデルの多くは、エージェント毎の精度測定(minADE, minFDE)のみに基づいて評価され、各エージェントはその最高のK予測に基づいて独立して評価される。 しかし、これらの指標は、モデルが予測軌道を学習するかどうかを見落とし、有望なマルチエージェント未来を共同で形成することができる。 多くの最先端モデルは、主にこれらのメトリクスに基づいて設計され、最適化されている。 その結果、チームスポーツにおいて、共同予測ではパフォーマンスが低下し、一貫性のある解釈可能なマルチエージェントシナリオの生成に失敗する可能性がある。 本稿では,時間的因果関係に基づく確率モデルCausalTrajを提案する。 グループモデリングの能力を向上するために、最適なシナリオサンプル内のエージェント間での結合精度を測定するジョイントメトリクス(minJADE, minJFDE)を強調した。 NBA SportVU, Basketball-U, Football-U のデータセットから評価すると、CausalTraj は、質的に一貫性のあるリアルなゲームプレイの進化を産みながら、アジェント毎の精度と、ジョイントメトリクスの最高記録を達成している。

関連論文リスト

• Trajectory Imputation in Multi-Agent Sports with Derivative-Accumulating Self-Ensemble [16.79253001706658]
  提案するMIDAS(Multi-Adnt Imputer with Derivative-Accumulating Self-Enmble)は,多エージェント軌道を高精度かつ物理的に再現できるフレームワークである。 3つのスポーツデータセットの実験では、MIDASは位置精度と物理的妥当性の両方において既存のベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2024-08-20T14:08:16Z)
• NashFormer: Leveraging Local Nash Equilibria for Semantically Diverse Trajectory Prediction [11.319057000888638]
  NashFormerは、ゲーム理論の逆強化学習を活用してマルチモーダル予測のカバレッジを改善する、軌道予測のためのフレームワークである。 実験の結果,予測器はベースラインモデルよりも33%以上の潜在的な相互作用をカバーし,正確な予測を行うことがわかった。
  論文  参考訳（メタデータ） (2023-05-28T00:41:29Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• JFP: Joint Future Prediction with Interactive Multi-Agent Modeling for Autonomous Driving [12.460224193998362]
  構造化されたグラフィカルモデルの定式化において,エージェント同士の相互作用を直接学習するエンド・ツー・エンドのトレーニング可能なモデルを提案する。 提案手法は,単エージェントトラジェクタのトラジェクタとトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタの性能を向上する。
  論文  参考訳（メタデータ） (2022-12-16T20:59:21Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。