論文の概要: PlayGen-MoG: Framework for Diverse Multi-Agent Play Generation via Mixture-of-Gaussians Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2604.02447v1
• Date: Thu, 02 Apr 2026 18:18:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.168592
• Title: PlayGen-MoG: Framework for Diverse Multi-Agent Play Generation via Mixture-of-Gaussians Trajectory Prediction
• Title（参考訳）: PlayGen-MoG:Mixture-of-Gaussian Trajectory Predictionによる多言語多言語プレイ生成フレームワーク
• Authors: Kevin Song,
• Abstract要約: PlayGen-MoGは、生成条件付きプレイ生成のためのフレームワークである。 アメリカンフットボールの追跡データでは、PlayGen-MoGは1.68ヤードのADEと3.98ヤードのFDEを達成した。
• 参考スコア（独自算出の注目度）: 0.40611352512781873
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-agent trajectory generation in team sports requires models that capture both the diversity of possible plays and realistic spatial coordination between players on plays. Standard generative approaches such as Conditional Variational Autoencoders (CVAE) and diffusion models struggle with this task, exhibiting posterior collapse or convergence to the dataset mean. Moreover, most trajectory prediction methods operate in a forecasting regime that requires multiple frames of observed history, limiting their use for play design where only the initial formation is available. We present PlayGen-MoG, an extensible framework for formation-conditioned play generation that addresses these challenges through three design choices: 1/ a Mixture-of-Gaussians (MoG) output head with shared mixture weights across all agents, where a single set of weights selects a play scenario that couples all players' trajectories, 2/ relative spatial attention that encodes pairwise player positions and distances as learned attention biases, and 3/ non-autoregressive prediction of absolute displacements from the initial formation, eliminating cumulative error drift and removing the dependence on observed trajectory history, enabling realistic play generation from a single static formation alone. On American football tracking data, PlayGen-MoG achieves 1.68 yard ADE and 3.98 yard FDE while maintaining full utilization of all 8 mixture components with entropy of 2.06 out of 2.08, and qualitatively confirming diverse generation without mode collapse.
• Abstract（参考訳）: チームスポーツにおけるマルチエージェント軌道生成は、プレイ可能なプレイの多様性と、プレイ上のプレイヤー間の現実的な空間的調整の両方をキャプチャするモデルを必要とする。 条件付き変分オートエンコーダ(CVAE)や拡散モデルのような標準的な生成的アプローチは、このタスクに苦労し、データセット平均に後続の崩壊または収束を示す。 さらに、ほとんどの軌道予測手法は、観測された履歴の複数のフレームを必要とする予測システムで動作し、初期生成のみが可能なプレイデザインの使用を制限する。 1/ A Mixture-of-Gaussian (MoG) output head with shared mixed weights across all agent, which a single set of weights selects a play scenario that couples all players' trajectories, 2/ relative distance attention that encodes pairwise player position and distances as learning attention, 3/ non-regressive prediction of absolute displacements from the initial formation, eliminate cumulative error drift and remove the rely on the observed trajectory history alone。 アメリカのフットボールの追跡データでは、PlayGen-MoGは1.68ヤードのADEと3.98ヤードのFDEを達成し、2.08のエントロピーを持つ8つの混合成分全てをフル活用し、モード崩壊なしに様々な世代を質的に確認する。

関連論文リスト

• Decoding Defensive Coverage Responsibilities in American Football Using Factorized Attention Based Transformer Models [0.22485007639406518]
  本稿では,NFLマルチエージェントプレイトラッキングデータに適用した因子化アテンションベーストランスフォーマモデルを提案する。 本モデルにより,各プレイヤの代入とマッチアップのダイナミクスの予測モデリングが可能となる。 我々のモデルは全てのタスクに対して約89%以上の精度を達成し、真の精度は基底真理ラベルにおけるアノテーションの曖昧さを考慮に入れられる可能性がある。
  論文  参考訳（メタデータ） (2026-03-26T20:43:30Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• JointDiff: Bridging Continuous and Discrete in Multi-Agent Trajectory Generation [75.58351043849385]
  生成モデルは、しばしば連続したデータと離散的なイベントを別々のプロセスとして扱う。 このギャップを埋めるために、連続時間データと同期離散イベントを同時に生成してこれらの2つのプロセス間の相互作用を設計した新しい拡散フレームワークであるJointDiffを導入する。 JointDiffは最先端のパフォーマンスを実現し、インタラクティブシステムのための現実的で制御可能なモデルを構築するために、ジョイントモデリングが不可欠であることを実証している。
  論文  参考訳（メタデータ） (2025-09-26T16:04:00Z)
• Online Competitive Information Gathering for Partially Observable Trajectory Games [24.25139588281181]
  ゲーム理論エージェントは、相手に関する情報を最適に収集する計画を立てなければならない。 我々は、軌道空間における競合情報収集行動を認めるPOSGの有限履歴/水平改良を定式化する。 これらのゲームにおいて,状態空間の粒子ベース推定を活用し,グラデーションプレイを行う合理的な軌道計画を計算するためのオンライン手法を提案する。
  論文  参考訳（メタデータ） (2025-06-02T17:45:58Z)
• Model as a Game: On Numerical and Spatial Consistency for Generative Games [117.36098212829766]
  本稿では,モデル・アズ・ア・ゲーム(MaaG)のメカニズムを十分に構築した上で,モデル・アズ・ア・ゲーム(MaaG)を真に構成するものを探るため,生成ゲームのパラダイムを再考する。 DiTアーキテクチャに基づいて,(1) LogicNetを統合してイベントトリガを決定する数値モジュール,(2) 探索領域のマップを維持する空間モジュール,(2) 生成中の位置情報を検索して連続性を確保する,という2つの特殊なモジュールを設計する。
  論文  参考訳（メタデータ） (2025-03-27T05:46:15Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• 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)

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。