TranSPORTmer：多智能体运动轨迹理解的综合方法
计算机视觉与模式识别
2024-11-12 v2 多智能体系统
摘要
理解多智能体情景中的轨迹需要解决多项任务，包括预测未来运动、插值缺失观测、推断不可见智能体状态、以及分类不同全局状态。传统数据驱动方法常常将这些任务分别处理，依赖专用模型。我们提出TranSPORTmer，一个统一的基于Transformer的框架，能够覆盖上述所有任务，并展示其在足球和篮球等多智能体运动情景中的应用。通过集体注意力模块（Set Attention Blocks），TranSPORTmer能够以等变方式有效捕获时序动力学和社交互动。模型的任务由输入掩码引导，掩码遮蔽缺失或尚未预测的观测。此外，我们引入一个CLS额外智能体，用于对足球轨迹进行状态分类，包括传球、占领、非控制状态以及超出球场区间等，提升了轨迹建模能力。在足球和篮球数据集上的评估表明，TranSPORTmer在球员预测、球员预测-插值、球推断和球推断插值等任务上均优于最先进的任务特定模型。https://youtu.be/8VtSRm8oGoE
关键词
引用
@article{arxiv.2410.17785,
title = {TranSPORTmer: A Holistic Approach to Trajectory Understanding in Multi-Agent Sports},
author = {Guillem Capellera and Luis Ferraz and Antonio Rubio and Antonio Agudo and Francesc Moreno-Noguer},
journal= {arXiv preprint arXiv:2410.17785},
year = {2024}
}
备注
Accepted to ACCV 2024