推断体育比赛中的球员位置：基于有限观测的多智能体空间插补
机器学习
2023-02-14 v1 多智能体系统
摘要
理解多智能体系统（MAS）中的智能体行为在自动驾驶、灾难响应和体育分析等领域是一个重要问题。现有的 MAS 问题通常使用统一时间步且对所有智能体均有观测。在本工作中，我们分析了智能体位置插补问题，具体设定在非均匀时间步和有限智能体可观测性（约 95% 缺失值）的环境中。我们的方法使用长短期记忆（LSTM）和图神经网络（GNN）组件来学习时间和智能体间模式，以预测所有智能体在每个时间步的位置。我们将此方法应用于足球领域，通过从稀疏事件数据（例如射门和传球）插补比赛中所有球员的位置。我们的模型将球员位置估计误差控制在约 6.9m 内，较最佳基线误差降低约 62%。该方法促进了下游分析任务，如球员体能指标、球员覆盖范围和球队场地控制。这些任务的现有解决方案通常需要光学跟踪数据，其获取成本高昂且仅有精英俱乐部可获得。通过从易获取的事件数据插补球员位置，我们提升了下游任务的可及性。
引用
@article{arxiv.2302.06569,
title = {Inferring Player Location in Sports Matches: Multi-Agent Spatial Imputation from Limited Observations},
author = {Gregory Everett and Ryan J. Beal and Tim Matthews and Joseph Early and Timothy J. Norman and Sarvapali D. Ramchurn},
journal= {arXiv preprint arXiv:2302.06569},
year = {2023}
}
备注
11 Pages (8 main, 1 references, 2 appendix), 8 figures (7 main, 1 appendix). Accepted at AAMAS 2023 Main Track