TacticGen：适应且可扩展的足球战术生成
人工智能
2026-04-21 v1 机器学习
多智能体系统
摘要
足球比赛的成功依赖于个人技艺和团队战术 coordination。尽管近期在时空数据和深度学习方面的进展已使预测分析（如轨迹预测）取得进展，但战术设计的开发仍受限。弥合这一差距至关重要，因为预测揭示了可能发生的事情，而战术生成则决定了为实现战略目标应发生的事情。在本工作中，我们提出了 TacticGen，一种适应且可扩展的战术生成模型。TacticGen 将战术建模为以游戏情境为条件的多智能体运动和相互作用的序列。它采用具有智能体级自注意力和情境感知交叉注意力的多智能体扩散变换器，以捕捉球员和球队之间的合作与竞争动态。该模型基于来自顶级联赛的超过 330 万次事件和 1 亿次跟踪帧进行训练，实现了玩家轨迹预测的先进精度。基于此，TacticGen 通过分类器引导机制实现可适应的战术生成，可通过规则、自然语言或神经模型指定，以满足多样化的推理时目标。其建模性能也具有内在的可扩展性。与足球专家进行的案例研究确认，TacticGen 生成的战术真实且具有战略价值，证明了其在职业足球战术规划中的实际实用性。项目页面可在 https://shengxu.net/TacticGen/ 查看。
引用
@article{arxiv.2604.18210,
title = {TacticGen: Grounding Adaptable and Scalable Generation of Football Tactics},
author = {Sheng Xu and Guiliang Liu and Tarak Kharrat and Yudong Luo and Mohamed Aloulou and Javier López Peña and Konstantin Sofeikov and Adam Reid and Paul Roberts and Steven Spencer and Joe Carnall and Ian McHale and Oliver Schulte and Hongyuan Zha and Wei-Shi Zheng},
journal= {arXiv preprint arXiv:2604.18210},
year = {2026}
}
备注
23 pages