NBA球员的多模态轨迹预测
机器学习
2020-08-19 v1 机器学习
摘要
美国国家篮球协会(NBA)球员是高度积极且技艺精湛的专家，在比赛的每个时刻解决复杂的决策问题。作为理解球员如何决策的一步，我们关注他们在比赛中的运动轨迹。我们提出一种捕捉球员多模态行为的方法，其中他们可能考虑多条轨迹并选择最有利的一条。该方法基于 LSTM 架构，预测多条轨迹及其概率，由更新最优轨迹的多模态损失函数训练。在大规模细粒度 NBA 追踪数据上的实验表明，所提方法优于当前最优(state-of-the-art)。此外，结果表明该方法生成更真实的轨迹，并能学习特定球员的个人打球风格。
引用
@article{arxiv.2008.07870,
title = {Multi-Modal Trajectory Prediction of NBA Players},
author = {Sandro Hauri and Nemanja Djuric and Vladan Radosavljevic and Slobodan Vucetic},
journal= {arXiv preprint arXiv:2008.07870},
year = {2020}
}
备注
Accepted Paper at WACV 2021