PlayGen-MoG：基于混合高斯轨迹预测的多样化多智能体比赛生成框架
计算机视觉与模式识别
2026-04-06 v1 人工智能
机器学习
摘要
团队运动中的多智能体轨迹生成需要能够同时捕捉比赛多样性以及球员间真实空间协调的模型。条件变分自编码器（CVAE）和扩散模型等标准生成方法在此任务上表现不佳，表现出后验坍缩或收敛到数据集均值。此外，大多数轨迹预测方法运行在需要多帧观测历史的预测模式下，限制了其在仅初始阵型可用的比赛设计中的使用。我们提出PlayGen-MoG，一个可扩展的比赛生成框架，通过三个设计选择解决这些挑战：1/ 混合高斯（MoG）输出头，所有智能体共享混合权重，一组权重选择一个比赛场景耦合所有球员的轨迹；2/ 相对空间注意力，将成对球员位置和距离编码为学习到的注意力偏置；3/ 从初始阵型非自回归预测绝对位移，消除累积误差漂移并移除对观测轨迹历史的依赖，实现仅从单个静态阵型生成真实比赛。在美国足球追踪数据上，PlayGen-MoG达到1.68码ADE和3.98码FDE，同时保持全部8个混合分量的充分利用，熵为2.06（满分2.08），定性证实了无模式坍缩的多样化生成。
引用
@article{arxiv.2604.02447,
title = {PlayGen-MoG: Framework for Diverse Multi-Agent Play Generation via Mixture-of-Gaussians Trajectory Prediction},
author = {Kevin Song},
journal= {arXiv preprint arXiv:2604.02447},
year = {2026}
}
备注
9 pages, 4 figures, 2 tables. Accepted to CVPRW 2026