Denoising Opponents Position in Partial Observation Environment

要約

ロボカップ大会にはさまざまなリーグがあり、サッカーシミュレーション2Dリーグはその中でもメジャーなリーグです。
サッカー シミュレーション 2D (SS2D) 試合では、11 人の選手と各チームのコーチを含む 2 つのチームが互いに対戦します。
プレーヤーは、試合中にのみサッカー シミュレーション サーバーと通信できます。
チーム開発を簡素化するために、いくつかのコード ベースが公開されています。
そのため、研究者は意思決定と機械学習手法の実装に容易に集中できます。
SS2D のアクションと動作は、ノイズや部分的な観測などのさまざまな課題により、部分的にしか正確ではありません。
したがって、1 つの戦略は、観測の不正確さに対処するために代替のノイズ除去方法を実装することです。
私たちのアイデアは、機械学習手法を使用して有限サイクルでまだ確認されていない相手の位置を予測し、パスなどのより正確なアクションを実行することです。
長短期記憶モデル (LSTM) とディープ ニューラル ネットワーク (DNN) を活用した位置予測のアイデアについて説明します。
結果は、LSTM と DNN が、最後に見た方法などの標準アルゴリズムよりも正確に敵の位置を予測することを示しています。

要約(オリジナル)

The RoboCup competitions hold various leagues, and the Soccer Simulation 2D League is a major among them. Soccer Simulation 2D (SS2D) match involves two teams, including 11 players and a coach for each team, competing against each other. The players can only communicate with the Soccer Simulation Server during the game. Several code bases are released publicly to simplify team development. So researchers can easily focus on decision-making and implementing machine learning methods. SS2D actions and behaviors are only partially accurate due to different challenges, such as noise and partial observation. Therefore, one strategy is to implement alternative denoising methods to tackle observation inaccuracy. Our idea is to predict opponent positions while they have yet to be seen in a finite number of cycles using machine learning methods to make more accurate actions such as pass. We will explain our position prediction idea powered by Long Short-Term Memory models (LSTM) and Deep Neural Networks (DNN). The results show that the LSTM and DNN predict the opponents’ position more accurately than the standard algorithm, such as the last-seen method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google