关于团队运动中基于潜在角色预测球员的研究
计算机视觉与模式识别
2024-04-17 v4
摘要
由于战术优势潜力及此类研究对多智能体交互系统的适用性，体育运动中球员预测日益受到关注。团队运动包含显著影响队友与对手间交互的社会成分，然而该成分仍未被充分挖掘。本工作中，我们假设每个参与者在每次动作中具有特定职能，且基于角色的交互对预测球员未来移动至关重要。我们创建了 RolFor，一种用于基于角色预测的端到端新模型。RolFor 使用我们开发的名为 Ordering Neural Networks（OrderNN，排序神经网络）的新模块来置换球员顺序，使每名球员被分配一个潜在角色。该潜在角色随后由 RoleGCN 建模。得益于其图表示，它提供完全可学习的邻接矩阵以捕捉角色间关系，并用于预测球员未来轨迹。在具挑战性的 NBA 篮球数据集上的大量实验支持了角色的重要性，并印证了我们以可优化模型建模角色的目标。当由 oracle 提供角色时，所提 RolFor 优于当前最优方法（在 ADE 误差上排名第一，FDE 误差上排名第二）。然而，端到端训练 RolFor 带来置换方法可微性的难题，我们对此进行了实验性审视。最后，本工作重申可微排序为一困难开放问题，及其与基于图的交互模型结合的巨大潜力。项目见：https://www.pinlab.org/aboutlatentroles
引用
@article{arxiv.2304.08272,
title = {About latent roles in forecasting players in team sports},
author = {Luca Scofano and Alessio Sampieri and Giuseppe Re and Matteo Almanza and Alessandro Panconesi and Fabio Galasso},
journal= {arXiv preprint arXiv:2304.08272},
year = {2024}
}