About latent roles in forecasting players in team sports

要約

タイトル：チームスポーツにおける予測プレイヤーの潜在的役割について

要約：

– スポーツのプレイヤーを予測することは、戦術的な優位性や多くのプレイヤー間での相互作用システムへの応用可能性のために人気がある。
– チームスポーツには、チームメイトや相手選手間の相互作用に影響を与える重要な社会的側面が含まれているが、まだ十分に活用されていない。
– この研究では、各参加者が各アクションで特定の機能を持ち、役割に基づく相互作用がプレーヤーの将来の動きを予測するための重要性があると仮説を立てる。
– RolForと呼ばれる新しいモデルを作成し、役割に基づく予測のために使用する。
– RolForでは、OrderNNという新しいモジュールを使用して、各プレーヤーが潜在的な役割に割り当てられるようにプレーヤーの順序を変更する。
– 潜在的な役割は、RoleGCNでモデル化される。
– RolForは、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するグラフ表現により、プレーヤーの将来の軌跡を予測するために使用される。
– NBAバスケットボールのデータセットでの多数の実験により、RolForは役割の重要性をバックアップし、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の目的を正当化している。
– しかし、エンドツーエンドのRolForのトレーニングには、順位付けメソッドの微分可能性に関する問題が発生することがある。
– 最後に、機能的にランキングを行うことを困難なオープン問題と位置付けた上で、グラフベースの相互作用モデルとの優れたポテンシャルを実感している。

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