論文の概要: ShuttleEnv: An Interactive Data-Driven RL Environment for Badminton Strategy Modeling
- arxiv url: http://arxiv.org/abs/2603.17324v1
- Date: Wed, 18 Mar 2026 03:37:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-19 18:32:57.499591
- Title: ShuttleEnv: An Interactive Data-Driven RL Environment for Badminton Strategy Modeling
- Title（参考訳）: ShuttleEnv: バドミントン戦略モデリングのためのインタラクティブなデータ駆動型RL環境
- Authors: Ang Li, Xinyang Gong, Bozhou Chen, Yunlong Lu, Jiaming Ji, Yongyi Wang, Yaodong Yang, Wenxin Li,
- Abstract要約: 本稿では,バドミントンのためのインタラクティブでデータ駆動型シミュレーション環境であるShuttleEnvを紹介する。
ShuttleEnvは、速いペースの相手スポーツにおける強化学習と戦略的行動分析をサポートする。
我々はShuttleEnv内で複数の訓練されたエージェントを紹介し、バドミントンラリーのライブ、ステップバイステップの可視化を提供する。
- 参考スコア（独自算出の注目度）: 22.470701364501604
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present ShuttleEnv, an interactive and data-driven simulation environment for badminton, designed to support reinforcement learning and strategic behavior analysis in fast-paced adversarial sports. The environment is grounded in elite-player match data and employs explicit probabilistic models to simulate rally-level dynamics, enabling realistic and interpretable agent-opponent interactions without relying on physics-based simulation. In this demonstration, we showcase multiple trained agents within ShuttleEnv and provide live, step-by-step visualization of badminton rallies, allowing attendees to explore different play styles, observe emergent strategies, and interactively analyze decision-making behaviors. ShuttleEnv serves as a reusable platform for research, visualization, and demonstration of intelligent agents in sports AI. Our ShuttleEnv demo video URL: https://drive.google.com/file/d/1hTR4P16U27H2O0-w316bR73pxE2ucczX/view
- Abstract（参考訳）: 本稿では,バドミントンのためのインタラクティブでデータ駆動型シミュレーション環境であるShuttleEnvについて紹介する。
環境はエリート-プレイヤのマッチングデータに基づいており、ラリーレベルのダイナミクスをシミュレートするために明示的な確率モデルを用いており、物理ベースのシミュレーションに頼ることなく現実的で解釈可能なエージェント-応答相互作用を可能にする。
このデモでは、ShuttleEnv内の複数の訓練されたエージェントを紹介し、参加者がさまざまなプレイスタイルを探索し、創発的な戦略を観察し、意思決定行動のインタラクティブな分析を可能にする、バドミントンラリーのライブかつステップバイステップの可視化を提供する。
ShuttleEnvは、スポーツAIにおけるインテリジェントエージェントの研究、可視化、実証のための再利用可能なプラットフォームとして機能する。
ShuttleEnvのデモビデオURL: https://drive.google.com/file/d/1hTR4P16U27H2O0-w316bR73pxE2ucczX/view
関連論文リスト
- Causal World Modeling for Robot Control [56.31803788587547]
ビデオワールドモデルは、アクションと視覚力学の因果関係を理解することによって、近い将来に想像できる能力を提供する。
本稿では,フレーム予測とポリシ実行を同時に学習する自動回帰拡散フレームワークLingBot-VAを紹介する。
シミュレーションベンチマークと実世界のシナリオの両方でモデルを評価したところ、長距離操作、ポストトレーニングにおけるデータ効率、新しい構成への強力な一般化性などに大きな可能性を示唆している。
論文 参考訳（メタデータ） (2026-01-29T17:07:43Z) - A Data-Driven Discretized CS:GO Simulation Environment to Facilitate Strategic Multi-Agent Planning Research [1.1765015608581086]
本稿では,3次元地形における戦略的長期計画を高次離散化シミュレーションに抽象化する,新しいマルチエージェントシミュレータDECOYを提案する。
対決ストライク:Global Offensiveをテストベッドとして、我々のフレームワークは、移動決定のみを戦術的位置決めとして使用して、ゲームプレイを正確にシミュレートする。
論文 参考訳（メタデータ） (2025-09-08T06:02:59Z) - Offline Imitation of Badminton Player Behavior via Experiential Contexts and Brownian Motion [19.215240805688836]
RallyNetは、バドミントンプレーヤーの振る舞いに対する階層的なオフライン模倣学習モデルである。
我々はRallyNetを世界最大規模のバドミントンデータセットで広く検証する。
その結果、オフラインの模倣学習法や最先端のターンベースアプローチよりもRallyNetの方が優れていることが明らかになった。
論文 参考訳（メタデータ） (2024-03-19T03:34:23Z) - BeTAIL: Behavior Transformer Adversarial Imitation Learning from Human Racing Gameplay [48.75878234995544]
模倣学習は、手作りの報酬関数を必要とせずに、デモンストレーションからポリシーを学ぶ。
本稿では,BeTAIL: Behavior Transformer Adversarial Imitation Learningを提案する。
我々は,Gran Turismo Sportにおけるリアルヒューマンゲームプレイのエキスパートレベルのデモンストレーションで,BeTAILを3つの課題でテストした。
論文 参考訳（メタデータ） (2024-02-22T00:38:43Z) - PlayBest: Professional Basketball Player Behavior Synthesis via Planning with Diffusion [24.47841117058161]
本稿ではプレイヤーの意思決定を改善する方法であるPlayBest(PLAYer BEhavior DynamicThesis)を紹介する。
本研究では,NBA選手の運動追跡データから,拡散確率モデルを拡張し,環境動態を学習する。
以上の結果から,このモデルは,効率的なプレーを実現する合理的なバスケットボールコースの創出に優れることが明らかとなった。
論文 参考訳（メタデータ） (2023-06-07T01:23:38Z) - DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to
Reality [64.51295032956118]
我々は人型ロボットの手で頑健な操作を行える政策を訓練する。
本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
論文 参考訳（メタデータ） (2022-10-25T01:51:36Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳（メタデータ） (2021-04-30T15:30:05Z) - TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。
特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。
TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文 参考訳（メタデータ） (2021-01-17T00:29:30Z)
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。