論文の概要: How good was my shot? Quantifying Player Skill Level in Table Tennis

• arxiv url: http://arxiv.org/abs/2603.25736v1
• Date: Thu, 26 Mar 2026 17:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.429453
• Title: How good was my shot? Quantifying Player Skill Level in Table Tennis
• Title（参考訳）: 私のショットはどんなに良かったか?テーブルテニスのプレーヤースキルレベルを定量化
• Authors: Akihiro Kubota, Tomoya Hasegawa, Ryo Kawahara, Ko Nishino,
• Abstract要約: 我々は、各プレイヤーの戦術ラケットストロークの生成モデルを学び、それらを共通の潜在空間に埋め込む。 我々はこの学習したプレイヤー空間を探索し、スキルを集合的に表現する異なるプレイスタイルや属性を反映していることを発見した。
• 参考スコア（独自算出の注目度）: 25.12001420469836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gauging an individual's skill level is crucial, as it inherently shapes their behavior. Quantifying skill, however, is challenging because it is latent to the observed actions. To explore skill understanding in human behavior, we focus on dyadic sports -- specifically table tennis -- where skill manifests not just in complex movements, but in the subtle nuances of execution conditioned on game context. Our key idea is to learn a generative model of each player's tactical racket strokes and jointly embed them in a common latent space that encodes individual characteristics, including those pertaining to skill levels. By training these player models on a large-scale dataset of 3D-reconstructed professional matches and conditioning them on comprehensive game context -- including player positioning and opponent behaviors -- the models capture individual tactical identities within their latent space. We probe this learned player space and find that it reflects distinct play styles and attributes that collectively represent skill. By training a simple relative ranking network on these embeddings, we demonstrate that both relative and absolute skill predictions can be achieved. These results demonstrate that the learned player space effectively quantifies skill levels, providing a foundation for automated skill assessment in complex, interactive behaviors.
• Abstract（参考訳）: 個人のスキルレベルを評価することは、その振る舞いを本質的に形作るため、非常に重要です。 しかし、計測能力は観察された行動に遅れるため、難しい。 人間の振る舞いのスキル理解を探求するために、我々は、複雑な動きだけでなく、ゲームコンテキストで条件付けられた実行の微妙なニュアンスでスキルが現れる、ダイアディックスポーツ(特に卓球)に焦点を当てます。 我々のキーとなるアイデアは、各プレイヤーの戦術的なラケットストロークの生成モデルを学習し、それらを共通の潜在空間に共同で埋め込み、スキルレベルに関連するものを含む個々の特徴を符号化することである。 これらのプレイヤーモデルを3D再構成されたプロの試合の大規模なデータセットでトレーニングし、プレイヤーの位置決めや対戦行動を含む包括的なゲームコンテキストでそれらを条件付けすることで、モデルは潜在空間内の個々の戦術的アイデンティティをキャプチャする。 我々はこの学習したプレイヤー空間を探索し、スキルを集合的に表現する異なるプレイスタイルや属性を反映していることを発見した。 これらの埋め込み上で単純な相対的ランク付けネットワークを訓練することにより、相対的および絶対的なスキル予測が達成できることを実証する。 これらの結果から,学習者空間はスキルレベルを効果的に定量化し,複雑な対話行動におけるスキルアセスメントの基盤となることが示唆された。

関連論文リスト

• SkillSight: Efficient First-Person Skill Assessment with Gaze [51.16409727318035]
  SkillSightを導入し、一人称データから効率の良いスキルアセスメントを行う。 我々の2段階のフレームワークは、スキルレベルを予測する際に、視線と自我中心のビデオを共同でモデル化し、視線のみの学生モデルを蒸留する。 料理、音楽、スポーツにまたがる3つのデータセットの実験は、初めて、スキル理解において見つめることの価値のある役割を確立した。
  論文  参考訳（メタデータ） (2025-11-24T19:05:28Z)
• Learning Skill-Attributes for Transferable Assessment in Video [56.813876909367856]
  ビデオによるスキル評価は、人の身体的パフォーマンスの品質を評価し、何がより良くできるかを説明する。 当社のCrossTrainerアプローチでは,バランス,コントロール,手の位置決めといったスキル属性が検出される。 人間のスキルを表わす行動の共有を抽象化することにより,提案した映像表現は,既存のテクニックの配列よりもはるかに優れている。
  論文  参考訳（メタデータ） (2025-11-17T23:53:06Z)
• SkillMimic: Learning Basketball Interaction Skills from Demonstrations [85.23012579911378]
  我々は、エージェントがインタラクションスキルを学習する方法を根本的に変える統合データ駆動フレームワークであるSkillMimicを紹介した。 私たちの重要な洞察は、統合されたHOI模倣報酬は、HOIデータセットから多様な相互作用パターンの本質を効果的に捉えることができるということです。 評価のために,約35分間のバスケットボールスキルを含む2つのバスケットボールデータセットを収集,導入した。
  論文  参考訳（メタデータ） (2024-08-12T15:19:04Z)
• Strategy and Skill Learning for Physics-based Table Tennis Animation [8.51262627906337]
  本稿では,物理に基づく卓球アニメーションのための戦略とスキル学習手法を提案する。 本手法は,複雑なタスクを実行するために必要な運動能力を完全に活用できないモード崩壊の問題に対処する。
  論文  参考訳（メタデータ） (2024-07-23T06:31:13Z)
• An efficient machine learning approach for extracting eSports players distinguishing features and classifying their skill levels using symbolic transfer entropy and consensus nested cross validation [0.0]
  センサーデータと機械学習が組み合わさって、eSportsプレーヤーの分類に有効であることがすでに証明されている。 本稿では,これらの特徴を効果的に発見し,プレイヤーのスキルレベルを分類する手法を提案する。 分類結果は90.1%の精度で大幅に改善された。
  論文  参考訳（メタデータ） (2024-05-08T15:22:12Z)
• C$\cdot$ASE: Learning Conditional Adversarial Skill Embeddings for Physics-based Characters [49.83342243500835]
  C$cdot$ASEは、物理系文字に対する条件付き適応スキル埋め込みを学習する効率的なフレームワークである。 C$cdot$ASEは、不均一なスキルモーションを、低レベル条件モデルのトレーニングのための均質なサンプルを含む別個のサブセットに分割する。 スキル条件の模倣学習は、訓練後のキャラクターのスキルを明確に制御する。
  論文  参考訳（メタデータ） (2023-09-20T14:34:45Z)
• ASE: Large-Scale Reusable Adversarial Skill Embeddings for Physically Simulated Characters [123.88692739360457]
  汎用運動技術により、人間は複雑な作業を行うことができる。 これらのスキルは、新しいタスクを学ぶときの振る舞いを導くための強力な先駆者も提供します。 物理シミュレーション文字のための汎用的で再利用可能なスキル埋め込みを学習するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-04T06:13:28Z)
• Learning from Learners: Adapting Reinforcement Learning Agents to be Competitive in a Card Game [71.24825724518847]
  本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。 本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
  論文  参考訳（メタデータ） (2020-04-08T14:11:05Z)

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。