基于导数积累自集装箱的多智能体运动在赛中进行插值

来自诸如团队运动等领域的多智能体轨迹数据常因各种原因 suffer from 缺失值。虽然已提出许多插值方法用于时空数据，但它们不适用于玩家运动高度动态且智能体间相互作用持续演化的多智能体运动场景。为解决这些挑战，我们提出了 MIDAS (Multi-agent Imputer with Derivative-Accumulating Self-ensemble)，一个在准确性和物理可信度方面都具有高水平的多智能体轨迹插值框架。它通过基于集合转换器的神经网络联合预测位置、速度和加速度，并通过递归积累预测的速度和加速度值生成备用估计。然后，这些预测通过可学习的加权集成组合，以产生最终的插值轨迹。在三个运动数据集上的实验表明，MIDAS 在位置精度和物理可信度方面显著优于现有基线方法。最后，我们展示了 MIDAS 的一些用例，如近似计算总距离和传球成功概率，以凸显其对需要完整跟踪数据的实际下游任务的适用性。