論文の概要: Learning Human Sports Motion Feasibility via Quantile Regression on Tracking Data

• arxiv url: http://arxiv.org/abs/2610.36183v1
• Date: Mon, 26 Oct 2026 19:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.409302
• Title: Learning Human Sports Motion Feasibility via Quantile Regression on Tracking Data
• Title（参考訳）: 追跡データに基づく量子回帰による人間のスポーツ運動可能性の学習
• Abstract要約: 本研究では,スポーツにおけるTTA(time-to-arrival)について検討する。 我々は,TTAを条件付き量子化回帰問題として,ロコモーション時間の低量子化を推定し,プレイヤーの低エンベロープ到着時刻を学習する。 我々は,PFF FC FIFA World Cup 2022データセットの64試合すべてから,光学的追跡データに基づいてモデルをトレーニングし,文献から得られた6つのプレーヤーモーションモデルに対して,軽量な多層パーセプトロンを評価する。
• 参考スコア（独自算出の注目度）: 23.049138187400946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study time-to-arrival (TTA) in sports: the shortest plausible time a player needs to reach an arbitrary location on the pitch given their current kinematic state, estimated as the lower envelope of observed locomotion times. Rather than modeling space ownership through position density estimation or closed-form physics-based models, we cast TTA as a conditional quantile regression problem, estimating the lower quantile of locomotion time so the model learns a player's lower-envelope arrival time. We train the model on optical tracking data from all 64 matches of the PFF FC FIFA World Cup 2022 dataset, and evaluate a lightweight multilayer perceptron against six player-motion models from the literature, re-expressed as TTA predictors, and a learned reachable- hull baseline. Across our evaluation metrics, the MLP consistently outperforms every physics-based baseline. To probe the generality of the learned locomotion model, we further evaluate it on basketball tracking data and a single-game NFL tracking dataset, analyzing the transferability of player motion dynamics across sports. Our project is available at https://github.com/mguti97/TTA-Quantile.
• Abstract（参考訳）: 本研究では,スポーツにおけるTTA(time-to-arrival)について検討し,現在の運動状態から,選手がピッチ上の任意の位置に到達するために必要な最も短い時間について検討した。 位置密度推定や閉形式物理モデルによる空間オーナシップをモデル化する代わりに,TTAを条件付き量子化回帰問題とし,ロコモーション時間の低い量子化を推定し,プレイヤーの低エンベロープ到着時刻を学習する。 PFF FC FIFA World Cup 2022データセットの64試合すべてから得られた光学的追跡データに基づいてモデルをトレーニングし、文献から6つのプレイヤーモーションモデルに対して軽量な多層パーセプトロンを評価し、TTA予測器として再表現し、学習可能な船体ベースラインを評価する。 評価指標全体で、MLPはすべての物理ベースのベースラインを一貫して上回ります。 学習したロコモーションモデルの一般性を調べるため,バスケットボールの追跡データとシングルゲームNFLの追跡データセットを用いて,スポーツにおける選手の動き動態の伝達可能性を解析した。 私たちのプロジェクトはhttps://github.com/mguti97/TTA-Quantile.comで利用可能です。

関連論文リスト

• SpikingMOT: A Spike-Driven Multi-Object Tracker [75.7974381720717]
  SpikingMOTはスパイク駆動トラッカーとして提案され、スパイクニューラルネットワーク(SNN)を用いたスパース軌道力学を適応的にモデル化する。 この脳にインスパイアされたループにより、SpikeMOTは広範な実験で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-22T08:03:23Z)
• Trace Anything: Representing Any Video in 4D via Trajectory Fields [98.85848134960172]
  軌道場 (Trajectory Field) は、各フレーム内の各ピクセルに時間の連続した3次元軌跡関数を割り当てる密集写像である。 我々は,1つのフィードフォワードパスで軌道場全体を予測するニューラルネットワークであるTrace Anythingを紹介する。 私たちは、新しいプラットフォームからのデータを含む大規模な4Dデータに基づいて、Trace Anythingモデルをトレーニングしました。
  論文  参考訳（メタデータ） (2025-10-15T17:59:04Z)
• OmniTraj: Pre-Training on Heterogeneous Data for Adaptive and Zero-Shot Human Trajectory Prediction [62.385417528148224]
  OmniTrajは、大規模な異種データセットで事前トレーニングされたトランスフォーマーベースのモデルである。 実験によると、フレームレートを明示的に条件付けすることで、OmniTrajは最先端のゼロショット転送性能を実現することができる。
  論文  参考訳（メタデータ） (2025-07-31T15:37:09Z)
• AthleticsPose: Authentic Sports Motion Dataset on Athletic Field and Evaluation of Monocular 3D Pose Estimation Ability [4.991985467382602]
  AthleticsPoseデータセットを導入し、運動場で様々なスポーツイベントを行う23人のアスリートからリアルの動きをキャプチャする。 その結果,AthleticsPoseでトレーニングしたモデルは,模擬スポーツ運動データセットでトレーニングしたベースラインモデルよりも有意に優れていた。 運動学的指標のケーススタディでは、このモデルは膝の角度の個人差をとらえる可能性を示したが、より高速な測定に苦慮した。
  論文  参考訳（メタデータ） (2025-07-17T08:43:23Z)
• Learning to Track Any Points from Human Motion [55.831218129679144]
  点追跡のための擬似ラベル付きトレーニングデータを生成する自動パイプラインを提案する。 AnthroTAPでトレーニングされた点追跡モデルは、TAP-Vidベンチマークで注釈付き最先端性能を達成する。
  論文  参考訳（メタデータ） (2025-07-08T17:59:58Z)
• 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)
• ETTrack: Enhanced Temporal Motion Predictor for Multi-Object Tracking [4.250337979548885]
  時間的動き予測器であるETTrackを用いた動きに基づくMOT手法を提案する。 具体的には、動作予測器は、変換器モデルと時間畳み込みネットワーク(TCN)を統合して、短期および長期の動作パターンをキャプチャする。 本研究では,DanceTrackとSportsMOTの最先端トラッカーと比較して,ETTrackの競争性能が向上していることを示す。
  論文  参考訳（メタデータ） (2024-05-24T17:51:33Z)
• SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in Soccer Videos [62.686484228479095]
  本稿では,各30の200列からなる複数物体追跡のための新しいデータセットを提案する。 データセットは、バウンディングボックスとトラックレットIDで完全に注釈付けされている。 分析の結果,サッカービデオにおける複数の選手,審判,ボール追跡が解決されるには程遠いことがわかった。
  論文  参考訳（メタデータ） (2022-04-14T12:22:12Z)
• Machine learning models for DOTA 2 outcomes prediction [8.388178167818635]
  本研究は,Dota 2 MOBAゲームの結果を特定するための予測機械学習モデルとディープラーニングモデルの構築に主に焦点をあてる。 リニア回帰(LR)、ニューラルネットワーク(NN)、リカレントニューラルネットワーク(LSTM)の3つのモデルについて検討・比較を行った。
  論文  参考訳（メタデータ） (2021-06-03T12:10:26Z)

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。