論文の概要: Does 3D Pose Improve Action Valuation in Football? An Empirical Study of Pose Representations and Learning Objectives
- arxiv url: http://arxiv.org/abs/2610.38308v1
- Date: Wed, 28 Oct 2026 05:46:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.375089
- Title: Does 3D Pose Improve Action Valuation in Football? An Empirical Study of Pose Representations and Learning Objectives
- Title（参考訳）: 3D Poseはサッカーにおける行動評価を改善するか? : 行動表現と学習目的に関する実証的研究
- Abstract要約: SARSAモデルに3Dポーズを追加することで、攻撃リターンに対する観測値が改善されるかどうかを検討する。
我々は5つの学習環境と3つの種子の6つの表現(ポーズ、生の関節、胴体、頭部の向き、時空間グラフ畳み込みネットワーク(ST-GCN))を比較した。
50回以上のボールとオフボールの比較では、リターン予測はわずか3回で堅牢に改善され、それぞれが胴体とヘッドオリエンテーションを使用し、12回で悪化した。
トレーニング選択は、より大きな影響を及ぼす:-ボール位置における行動予測損失を除去する-
- 参考スコア（独自算出の注目度）: 4.871298251053977
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Football action valuation estimates players' contributions to future scoring. Existing multi-agent deep reinforcement learning (MADRL) models use 2D positions and velocities, omitting posture information relevant to imminent actions. We investigate whether adding 3D pose to a SARSA-based model improves observed-action values relative to attack returns: goals, conceded goals or final expected possession value. Using UEFA Champions League 2022/23 event, tracking and 3D pose data, we compare six representations (no pose, raw joints, torso and head orientation, and spatial-temporal graph convolutional network (ST-GCN) embeddings) across five learning settings and three seeds. The settings vary temporal-difference targets and action-prediction loss, with Monte Carlo return regression as a reference. Across 50 on-ball and off-ball comparisons, pose robustly improved return prediction in only three, all using torso and head orientation, while worsening it in twelve, mostly with ST-GCN. Training choices had greater effects: removing the action-prediction loss raised on-ball skill of position-only values from 0.003 to 0.040 and their correlation with expected goals from 0.23 to 0.60; the improvement in return prediction persisted at matched training length. Separately, pose improved prediction of the on-ball action 0.2 s ahead (macro AUC 0.914 to 0.934 with raw joints), while the passer's pose during execution improved pass-success prediction (AUC 0.844 to 0.856). Within this training protocol, pose informed imminent actions but rarely improved observed-action values.
- Abstract（参考訳）: フットボール・アクション・バリュエーションは選手の将来の得点に対する貢献を見積もる。
既存のマルチエージェント深部強化学習(MADRL)モデルは2次元位置と速度を使い、差し迫った行動に関連する姿勢情報を省略する。
SARSAモデルに3Dポーズを追加することで、目標、譲歩目標、最終的な保持値といった攻撃リターンに対する観測行動値が改善されるかどうかを検討する。
UEFAチャンピオンズリーグ2022/23のイベント,追跡と3Dポーズデータを用いて,5つの学習環境と3つのシードの6つの表現(ポーズ,生関節,胴体,頭部方向,空間時間グラフ畳み込みネットワーク(ST-GCN))を比較した。
設定は時間差ターゲットとアクション予測損失によって異なり、モンテカルロの回帰は参照として返される。
50回以上のオンボールとオフボールの比較では、それぞれが胴体とヘッドオリエンテーションを使用しており、主にST-GCNで12回は悪化するが、リターン予測はわずか3回で頑健に改善された。
トレーニング選択は、0.003から0.040までのポジションのみの値のボールスキルを除去し、期待目標と0.23から0.60の相関を保ち、リターン予測の改善は一致したトレーニング長で継続した。
同時に、ボール上の動作 0.2 秒前(AUC 0.914 - 0.934と生関節)の予測が改善し、実行中の通行人のポーズはパス成功予測(AUC 0.844 - 0.856)を改善した。
このトレーニングプロトコル内では、インフォメーション・インフォメーション・インフォメーション・アクションをポーズするが、観測・アクションの値を改善することは滅多にない。
関連論文リスト
- Trust-Calibrated VLA Policy Post-Training with Evolving Imagination [60.998903003181006]
既存の改善パラダイムは信頼性と効率性の緊張を露呈する。
本稿では,モデル進化強化学習(MERL, Model-Evolving Reinforcement Learning)を提案する。
摂動型LIBERO-PROタスクでは、MERLは平均79.7%の成功を達成し、マッチしたモデルフリー制御よりも10.9%の高閾値学習速度を向上し、同じプロトコール外部ベースラインを上回っている。
論文 参考訳（メタデータ） (2026-10-12T10:08:28Z) - RAP-WAM: Learning World-Action Models through Predictive Rehearsal and Action Perturbations [45.16816691251336]
RAP-WAMは、パーターブとアクション摂動(RAP)と将来の生成とクエリを組み合わせた、ポリシー学習のための結合されたアクション投影(Coupled Action Projection)である。
予測的リハーサルは、記録された目標を保持しながらモデル生成入力を訓練し、繰り返し発生するエラーを空間的事前に蓄積する。
個別のスコアリングネットワークやデプロイメントタイムプローブは不要である。
論文 参考訳（メタデータ） (2026-10-12T09:09:21Z) - Dynamics-Induced Commitment in Learning-Based Robotic Penalty Kicks [31.095840839156065]
ロボットゲームでの学習は、身体がまだ実行可能であることによって制限される。
我々はこれを,ゲームレベルの自己プレーポリシーがサッカー全体のコントローラを固定する階層型ヒューマノイド四段式ペナルティシステムで研究する。
論文 参考訳（メタデータ） (2026-09-17T21:21:35Z) - ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。
SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。
モデル自身の失敗から両方を得るReDraftを紹介します。
論文 参考訳（メタデータ） (2026-09-15T04:59:03Z) - GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。
制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。
それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
論文 参考訳（メタデータ） (2026-09-04T17:16:48Z) - On-Policy Self-Distillation in Diffusion Models [89.32656931795293]
強化学習は、拡散モデルと人間の好みやタスク固有の目的とを一致させることができるが、エンドポイント報酬は、中間的偏見予測をどのように変更すべきかを規定していない。
そこで我々は、DiffusionOPSDを、画像レベルの報酬誘導を明示的なターゲットに変換して、サンプルクエリにおけるクリーンな出力予測を行うオンライン自己蒸留フレームワークとして導入する。
SD 3.5-Mとステップ蒸留したZ-Image-Turboを用いて、2つのバックボーンと10個の評価器で20の報酬マッチング設定のうち19のファイナルホールトアウトスコアを達成した。
論文 参考訳（メタデータ） (2026-08-25T14:55:24Z) - SpikeWorld: Fast-State Adaptation for Frozen Spiking World Models [0.0]
ヘテロジニアスな感覚予測,セマンティクス,画像テキストバインディング,動作条件付きダイナミクスを共同で訓練した1.45MスパーススパイキングモデルであるSpikeWorldを紹介する。
共同最適化により、アクション次世代MSEは17.10%改善され、マルチモーダル予測、セマンティック精度、画像テキスト検索が改善された。
論文 参考訳（メタデータ） (2026-08-07T18:57:06Z) - CosFly-VLA: A Spatially Aware Vision-Language-Action Model for UAV Tracking [6.465600276213322]
VLA(Vision-Language-Action)ポリシーは、視覚的標的を効果的に追跡することができるが、建物、植生、道路沿いの物体が視線を塞ぐと、その性能は劣化することが多い。
本稿では,空間認識型VLAモデルCosFly-VLAについて述べる。
OpenVLAとは対照的に、CosFly-VLA-0.8Bはオープンループ平均変位誤差(ADE)を外見テストで34.1%、目に見えないテストで35.3%削減する。
論文 参考訳（メタデータ） (2026-07-16T13:52:08Z) - Predicting Soccer Penalty Kick Direction Using Human Action Recognition [4.620715958859347]
本研究は,手動でアノテートされたサッカーペナルティキックの新たなデータセットを提示し,プレキック選手の動きに基づくショット方向の予測を行う。
本稿では,HARに基づく特徴埋め込みとコンテキストメタデータを統合したディープラーニング分類器を提案する。
我々は、7つのアーキテクチャーファミリにまたがる24のバックボーンモデルを評価し、ショット方向の予測において最大63.9%の精度を達成した。
論文 参考訳（メタデータ） (2025-07-16T20:27:11Z) - POCO: 3D Pose and Shape Estimation with Confidence [99.91683561240549]
我々は,HPSレジストレーターをトレーニングする新しいフレームワークPOCOを開発し,人体だけでなく,その信頼性も評価した。
具体的には、POCOは3Dボディポーズとサンプルごとのばらつきの両方を推定する。
あらゆるケースにおいて、不確実性について推論するためにネットワークをトレーニングすることは、より正確に3Dのポーズを推定するのに役立つ。
論文 参考訳（メタデータ） (2023-08-24T17:59:04Z) - PoseTriplet: Co-evolving 3D Human Pose Estimation, Imitation, and
Hallucination under Self-supervision [102.48681650013698]
既存の自己監督型3次元ポーズ推定スキームは、学習を導くための弱い監督に大きく依存している。
そこで我々は,2D-3Dのポーズペアを明示的に生成し,監督を増強する,新しい自己監督手法を提案する。
これは、ポーズ推定器とポーズ幻覚器を併用して学習する強化学習ベースの模倣器を導入することで可能となる。
論文 参考訳（メタデータ） (2022-03-29T14:45:53Z)
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。