Engineering Features to Improve Pass Prediction in Soccer Simulation 2D Games

要約

Soccer Simulation 2D (SS2D) は、実際のサッカー ゲームの 2 次元シミュレーションです。
サッカーにおいて、パス動作はボールを保持し、ゴールチャンスを作り出すために不可欠な動作です。
同様に、SS2D の場合、対戦相手とチームメイトの両方のパス行動を予測することで、リソースを管理し、より多くのゴ​​ールを決めるのに役立ちます。
そこで、本研究では、ディープニューラルネットワーク（DNN）とランダムフォレスト（RF）を用いて、サッカー2D選手のパス動作のモデリングに取り組むことを試みた。
エージェントの意思決定をオンライン形式で記録できる埋め込みデータ抽出モジュールを提案します。
その後、トレーニング データの準備に 4 つのデータ並べ替え手法を適用します。
その後、特徴的な戦略を持つロボカップ 2019 の上位 6 チームと対戦して、トレーニング済みモデルのパフォーマンスを評価します。
最後に、合格戦略の予測におけるさまざまな特徴グループの重要性を調べます。
この作業の各ステップのすべての結果は、提案された方法論の有効性を証明し、サッカー シミュレーション 2D ゲームにおけるパス予測のパフォーマンスを 5\% (例: 同じチームとの対戦) から 10\% (例: ロボカップとの対戦) まで改善しました。
トップチーム）。

要約(オリジナル)

Soccer Simulation 2D (SS2D) is a simulation of a real soccer game in two dimensions. In soccer, passing behavior is an essential action for keeping the ball in possession of our team and creating goal opportunities. Similarly, for SS2D, predicting the passing behaviors of both opponents and our teammates helps manage resources and score more goals. Therefore, in this research, we have tried to address the modeling of passing behavior of soccer 2D players using Deep Neural Networks (DNN) and Random Forest (RF). We propose an embedded data extraction module that can record the decision-making of agents in an online format. Afterward, we apply four data sorting techniques for training data preparation. After, we evaluate the trained models’ performance playing against 6 top teams of RoboCup 2019 that have distinctive playing strategies. Finally, we examine the importance of different feature groups on the prediction of a passing strategy. All results in each step of this work prove our suggested methodology’s effectiveness and improve the performance of the pass prediction in Soccer Simulation 2D games ranging from 5\% (e.g., playing against the same team) to 10\% (e.g., playing against Robocup top teams).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google