Más contenido relacionado
集団スポーツの選手軌道予測
- 3. どのように軌道予測するか?
3
集団スポーツ(バスケ・サッカー)への適用例
• RNN [Zheng+16, Le+17, Ivanovic+18]
• Graph NN [Kipf+18, Yeh+19, Monti+20, Graber+20]
• GAN [Chen+18, Hsieh+19]
• その他深層生成モデル[Zhan+19, Qi+20, Li+20,
Fujii+20] 等
運動方程式を用いて予測も可能だが [Yokoyama+18; Alguacil+20]、
長期予測には、ニューラルネットワーク(NN)に基づく方法が現在は優位
本日: 代表的な先行研究と、関連する私たちの研究の話
1. 模倣学習として長期予測 [Le+17] → 戦術的指標を入力して評価[寺西+20]
2. 発展的な話題([Fujii+20]など、詳細は次回…)
𝑠𝑡
𝑎 𝑡
ℎ 𝑡
例: 回帰型NN (RNN)
… …
現在の
状態
隠れ状態
次の
行動
- 4. 詳細の前に(前提)
データセット:
• サッカー: ヨーロッパリーグ45試合、10 Hz、選手情報なし
• https://www.statsperform.com/に連絡を取って入手
• バスケ: NBA600試合前後、25 Hz、選手情報あり
• 上記もしくはhttps://github.com/rajshah4/BasketballDataから
誰をどこまで予測?
• 守備 [Le+17, 寺西+20, Fujii+20]、攻撃[Zhan+19]チーム全員を予測
• 𝑇0 (< 3)秒間の軌道から𝑇1(< 10)秒間の軌道を予測
何から何を予測?
• 入力: 全選手の位置と速度など
• 出力: 各選手の位置または速度など(検証は[Fujii+20])
4
※各選手に1つのモデル(例:RNN)を割当てることが多い
- 5. 1. 模倣学習として長期予測を獲得 [Le+17]
動機: RNNだけでは長期予測ができない
✓ 問題1: 選手の並びが適当なので役割が
考慮されない
✓ 問題2: RNNは1-step毎に予測するので、
長期予測では誤差が蓄積
5
方法:
1. 選手の並びを役割に合うように並び替える
✓ Gaussian HMMを用いた役割割当(教師なし学習、本日は割愛)
2. 予測する範囲を徐々に延ばしてRNNを更新
✓ DAgger [Ross+11]と呼ばれるデータを混ぜて更新する方法を参考
※模倣学習は上記を含む、選手モデルの学習の定式化
ゴール
- 12. 発展的な話題(次回の予定)
• 長期予測の性能向上
1. RNN自体の改善: 変分RNN [Chung+15]
• スポーツでは[Zhan+19, Yeh+19, Fujii+20]など
2. 目標(弱教師情報)を利用する
• 例:次に止まりそうな場所など [Zhan+19, Fujii+20]
3. その他の枠組み(GAN, Graph NN等)も
• 良いシミュレータとして予測誤差以外の観点?
• 今回は戦術評価[寺西+20]
• 誰が誰を観測しているか、仮に観測する/しない場合
どのような軌道になるか[Fujii+20]
変分RNN
[Chung+15]
[Zhan+19]
12
観測のモデリング[Fujii+20]
- 13. まとめ・謝辞
テーマ: 集団スポーツの選手軌道予測
NNを利用した代表的な研究と私たちの研究を紹介
1. 模倣学習として長期予測 [Le+17]
→ 戦術的指標を入力して評価[寺西+20]
2. (次回の予定)目標を活用して長期予測 [Zhan+19]
→ 観測をモデリングして評価[Fujii+20]
NBAのデータ: https://github.com/keisuke198619/SportVU_extraction
その他の情報: https://sites.google.com/site/keisuke198619jp/
本研究は、以下の方々との共同研究です(敬称略)
寺西真聖(名大)・武田一哉(名大)
謝辞: 科研費 19H04941, 20H04075など
13