論文の概要: GenTac: Generative Modeling and Forecasting of Soccer Tactics
- arxiv url: http://arxiv.org/abs/2604.11786v1
- Date: Mon, 13 Apr 2026 17:53:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.734149
- Title: GenTac: Generative Modeling and Forecasting of Soccer Tactics
- Title（参考訳）: GenTac: サッカー戦術の生成モデリングと予測
- Authors: Jiayuan Rao, Tianlin Gui, Haoning Wu, Yanfeng Wang, Weidi Xie,
- Abstract要約: GenTacはサッカーの戦術を、連続したマルチプレイヤーの軌跡と個別の意味的な出来事のプロセスとして概念化している。
対戦行動、特定のチームやリーグプレースタイル、戦略的目的など、リッチなコンテキスト条件付けをサポートする。
バスケットボール、アメリカンフットボール、アイスホッケーなど、他のダイナミックチームスポーツへの一般化をうまく訓練することができる。
- 参考スコア（独自算出の注目度）: 66.35532694378146
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Modeling open-play soccer tactics is a formidable challenge due to the stochastic, multi-agent nature of the game. Existing computational approaches typically produce single, deterministic trajectory forecasts or focus on highly structured set-pieces, fundamentally failing to capture the inherent variance and branching possibilities of real-world match evolution. Here, we introduce GenTac, a diffusion-based generative framework that conceptualizes soccer tactics as a stochastic process over continuous multi-player trajectories and discrete semantic events. By learning the underlying distribution of player movements from historical tracking data, GenTac samples diverse, plausible, long-horizon future trajectories. The framework supports rich contextual conditioning, including opponent behavior, specific team or league playing styles, and strategic objectives, while grounding continuous spatial dynamics into a 15-class tactical event space. Extensive evaluations on our proposed benchmark, TacBench, demonstrate four key capabilities: (1) GenTac achieves high geometric accuracy while strictly preserving the collective structural consistency of the team; (2) it accurately simulates stylistic nuances, distinguishing between specific teams (e.g., Auckland FC) and leagues (e.g., A-League versus German leagues); (3) it enables controllable counterfactual simulations, demonstrably altering spatial control and expected threat metrics based on offensive or defensive guidance; and (4) it reliably anticipates future tactical outcomes directly from generated rollouts. Finally, we demonstrate that GenTac can be successfully trained to generalize to other dynamic team sports, including basketball, American football, and ice hockey.
- Abstract（参考訳）: オープンプレイのサッカー戦術のモデリングは、ゲームの確率的でマルチエージェントな性質のため、非常に難しい課題である。
既存の計算手法は、通常、単一の決定論的軌道予測を生成するか、高度に構造化されたセットピースに焦点を当てる。
本稿では,サッカーの戦術を連続的なマルチプレイヤー・トラジェクトリと個別のセマンティック・イベントに対する確率的プロセスとして概念化する拡散型生成フレームワークであるGenTacを紹介する。
GenTacは、歴史的追跡データからプレイヤーの動きの基盤となる分布を学習することにより、多種多様で可塑性で長期にわたる将来の軌跡をサンプリングする。
このフレームワークは、対戦行動、特定のチームまたはリーグプレースタイル、戦略的目的を含むリッチなコンテキスト条件付けをサポートし、連続的な空間的ダイナミクスを15クラスの戦術的イベント空間に基盤付ける。
提案したベンチマークであるTacBenchでは,(1)GenTacはチームの集合的構造的一貫性を厳密に保ちながら高い幾何学的精度を達成し,(2)特定のチーム(Auckland FCなど)とリーグ(A-League対ドイツリーグなど)を区別して,スタイリスティックなニュアンスを正確にシミュレートする。
最後に、GenTacがバスケットボール、アメリカンフットボール、アイスホッケーを含む他のダイナミックチームスポーツに一般化するためにうまくトレーニングできることを実証する。
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) - TacSIm: A Dataset and Benchmark for Football Tactical Style Imitation [5.108991103098588]
Tac SImはTactical Style Imitationの大規模なデータセットとベンチマークである。
Tac SImはプレ・ミアリーグの試合の放送映像で、チーム内の11人の選手全員のアシチオンを模倣している。
論文 参考訳（メタデータ） (2026-03-26T09:06:13Z) - Modeling Matches as Language: A Generative Transformer Approach for Counterfactual Player Valuation in Football [5.36551574565267]
ScoutGPTは、フットボールの試合イベントを言語モデリングフレームワーク内のシーケンシャルトークンとして扱う生成モデルである。
ScoutGPTは、マッチイベントシーケンスのダイナミクスを学び、仮説的なラインアップの下でイベントシーケンスをシミュレートする。
Kリーグのデータの実験では、プレイヤーの移動をシミュレートすると攻撃進行とゴール確率が測定可能な変化をもたらすことが示されている。
論文 参考訳（メタデータ） (2026-03-16T12:51:33Z) - Learning Soccer Skills for Humanoid Robots: A Progressive Perception-Action Framework [50.6604971348824]
サッカーはヒューマノイドロボットにとって重要な課題であり、密に統合された知覚アクション機能を必要としている。
本稿では,サッカースキル獲得を3段階に分割するプログレッシブアーキテクチャであるパーセプション・アクション統合意思決定(PAiD)を提案する。
ユニトリーG1の実験では、多種多様な条件下で頑健な性能を持つ高忠実な人間のような蹴りが実証された。
論文 参考訳（メタデータ） (2026-02-05T05:05:03Z) - TacEleven: generative tactic discovery for football open play [22.44470234670096]
本稿では,サッカーのオープンプレイ・戦術発見のための生成フレームワークであるTacElevenを提案する。
TacElevenは、多種多様な戦術的提案を生成する言語制御の戦術的ジェネレータと、多言語モデルに基づく戦術的批判の2つのコアコンポーネントで構成されている。
進行的戦術的複雑性を伴う3つのタスクにおけるTacElevenの評価を行った。
論文 参考訳（メタデータ） (2025-11-17T13:01:53Z) - Expandable Decision-Making States for Multi-Agent Deep Reinforcement Learning in Soccer Tactical Analysis [6.8055385768376615]
サッカーなどの侵入チームスポーツは、多くの選手が共有フィールドで相互作用するときに、高次元で強く結合された状態空間を作り出す。
従来のルールに基づく分析は直感的であるが、現代の予測機械学習モデルは明示的なエージェント表現なしでパターンマッチングを行うことが多い。
本稿では,関係変数による原位置と速度を増大させる意味的にリッチな状態表現である拡張可能意思決定状態(EDMS)を提案する。
論文 参考訳（メタデータ） (2025-10-01T04:01:51Z) - 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) - AVA: Attentive VLM Agent for Mastering StarCraft II [56.07921367623274]
Intentive VLM Agent (AVA) は、人工エージェントの認識と人間のゲームプレイ体験を一致させるマルチモーダルのStarCraft IIエージェントである。
我々のエージェントは、ゲームプレイ中に人間の認知過程をより密にシミュレートするRGB視覚入力と自然言語観察を組み込むことにより、この制限に対処する。
論文 参考訳（メタデータ） (2025-03-07T12:54:25Z) - 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) - From Motor Control to Team Play in Simulated Humanoid Football [56.86144022071756]
我々は、現実的な仮想環境でサッカーをするために、物理的にシミュレートされたヒューマノイドアバターのチームを訓練する。
一連の段階において、プレイヤーはまず、現実的な人間のような動きを実行するために、完全に関節化された身体を制御することを学習する。
その後、ドリブルやシューティングといった中級のサッカーのスキルを身につける。
最後に、彼らは他の人を意識し、チームとしてプレーし、ミリ秒のタイムスケールで低レベルのモーターコントロールのギャップを埋める。
論文 参考訳（メタデータ） (2021-05-25T20:17:10Z)
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。