About latent roles in forecasting players in team sports

要約

TITLE – チームスポーツにおける選手の予測における潜在的役割について
ABSTRACT –
– チームスポーツにおける予測は、戦術的優位性の可能性と、そのような研究が多エージェント相互作用システムに適用できるために、人気が高まっています。
– チームスポーツには、チームメイトや相手同士の相互作用に影響を与える重要な社会的要素が含まれていますが、まだ完全に活用されていません。
– 本研究では、各参加者がそれぞれの行動において特定の機能を持っていると仮定し、役割に基づく相互作用が選手の将来の動きを予測するために重要であると仮定しています。
– 私たちは、新しいモジュールであるOrdering Neural Networks (OrderNN)を使用して、各プレーヤーが潜在的な役割に割り当てられるように選手の順序を変更するRolForという新しいエンドツーエンドモデルを作成しました。
– 次に、潜在的な役割はRoleGCNでモデル化されます。RoleGCNは、グラフ表現を使用するため、役割間の関係を捉えた完全に学習可能な隣接行列を提供し、その後、選手の将来の軌跡を予測するために使用されます。
– NBAバスケットボールの難しいデータセットでの詳細な実験により、役割の重要性が裏付けられ、最適化可能なモデルを使用してそれらをモデル化することが正当化されました。提案されたRolForはオラクルによる役割提供時には、現在の最先端に比べて有利な結果を示しています（ADEエラーにおいて1位、FDEエラーにおいて2位）。
– しかしながら、エンドツーエンドのRolForのトレーニングには、置換手法の微分可能性の問題が発生します。これについて実験的に検討します。
– 最後に、本研究は、微分可能ランキングを図形ベースの相互作用モデルと組み合わせた場合の難しいオープン問題として提示し、その大きなポテンシャルを再確認しています。プロジェクトはこちらから利用可能です：https://www.pinlab.org/aboutlatentroles

要約(オリジナル)

Forecasting players in sports has grown in popularity due to the potential for a tactical advantage and the applicability of such research to multi-agent interaction systems. Team sports contain a significant social component that influences interactions between teammates and opponents. However, it still needs to be fully exploited. In this work, we hypothesize that each participant has a specific function in each action and that role-based interaction is critical for predicting players’ future moves. We create RolFor, a novel end-to-end model for Role-based Forecasting. RolFor uses a new module we developed called Ordering Neural Networks (OrderNN) to permute the order of the players such that each player is assigned to a latent role. The latent role is then modeled with a RoleGCN. Thanks to its graph representation, it provides a fully learnable adjacency matrix that captures the relationships between roles and is subsequently used to forecast the players’ future trajectories. Extensive experiments on a challenging NBA basketball dataset back up the importance of roles and justify our goal of modeling them using optimizable models. When an oracle provides roles, the proposed RolFor compares favorably to the current state-of-the-art (it ranks first in terms of ADE and second in terms of FDE errors). However, training the end-to-end RolFor incurs the issues of differentiability of permutation methods, which we experimentally review. Finally, this work restates differentiable ranking as a difficult open problem and its great potential in conjunction with graph-based interaction models. Project is available at: https://www.pinlab.org/aboutlatentroles

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI