SciSports：通过二维跟踪数据学习足球运动学
机器学习
2018-08-15 v1 机器学习
摘要
SciSports 是一家专攻足球分析的荷兰初创公司。本文描述了与 SciSports 在荷兰埃因霍温 2018 年工业数学研讨会上的一项联合研究工作。我们解决的主要挑战是自动处理经验性的足球运动员轨迹，以从中提取有用信息。提供给我们的数据是整个比赛中的二维位置数据。我们开发了基于牛顿力学与卡尔曼滤波、生成对抗网络（GAN）和变分自编码器的方法。此外，我们训练了一个判别器网络来识别并区分球员的不同运动模式。卡尔曼滤波方法产生了一个可解释的模型，其中可拟合少量依赖于球员的参数；理论上这可用于区分不同球员。生成对抗网络方法在理论上看来有前景，一些初步测试显示出相对于基线的改进，但时间和计算能力的限制意味着我们无法充分探索它。我们还训练了一个判别器网络，根据轨迹区分两名球员；训练后，该网络能够区分某些球员对，但无法区分其他球员对。训练后，变分自编码器生成的轨迹在视觉上难以与数据区分。这些实验表明深度生成模型能够学习足球运动员轨迹的底层结构与统计特性。这可作为基于此类轨迹数据确定球员素质的起点。
引用
@article{arxiv.1808.04550,
title = {SciSports: Learning football kinematics through two-dimensional tracking data},
author = {Anatoliy Babic and Harshit Bansal and Gianluca Finocchio and Julian Golak and Mark Peletier and Jim Portegies and Clara Stegehuis and Anuj Tyagi and Roland Vincze and William Weimin Yoo},
journal= {arXiv preprint arXiv:1808.04550},
year = {2018}
}
备注
This report was made for the Study Group Mathematics with Industry 2018