サッカー・バスケットボールの選手軌道予測に関する話です。

1. 集団スポーツの選手軌道予測
（サッカー・バスケットボール）
Sports Analyst Meetup #8
2020/7/18
藤井 慶輔 (@keisuke_fj)
1
自己紹介は前回： https://logmi.jp/tech/articles/323049
詳細： https://sites.google.com/site/keisuke198619jp/

2. なぜ選手軌道予測をするか？
→ コーチの頭の中で行われてきた過去/新しい局面にて、異なる
選手/チームだとどう動くかなどのシミュレーションが期待
ビデオ編集ソフトウェア
(Sportscode) 選手・ボール位置推定(SportVU)
現場での戦術的分析は、主にビデオ等の目視に基づく
しかし、位置計測に基づき軌道が予測できたら：
選手軌道予測[Fujii+20]
2

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

6. 予測する範囲を徐々に延ばしてRNNを更新
horizon: 予測フレーム数
まず個別のRNNから
1-stepの予測誤差で学習
6
（図は[寺西+20]を改変）
1-step
RMSE

7. 予測範囲（horizon）を
徐々に延ばして学習
長期予測の性能も向上
[Le+17]
7
予測する範囲を徐々に延ばしてRNNを更新
（図は[寺西+20]を改変）
1-step
RMSE
horizon: 予測フレーム数

8. 守備評価（サッカー）を考慮した軌道予測 [寺西+20]
予測誤差だけで評価して良いのか？
→ 守備指標 𝐸 𝑑𝑓 = 𝑙 𝑑𝑓/𝑙 𝑔を入力・評価
• 0の場合ゴールを守れている
• ボールがゴールから遠いと低くなる
[Vilar +13]
を参考に修正
（図は[寺西+20]）
2 s 予測誤差 (m): 差がない
0
1
2
3
1 2[Le+17] 提案[寺西+20]
0
0.1
0.2
0.3
1 2 3
守備指標 𝐸 𝑑𝑓（予測）は実測に近い
実測値 [Le+17] 提案[寺西+20]
8

9. 予測軌道の例
まずは全体（違いがわかりにくいが…）
攻撃方向
9
（図は[寺西+20]を改変）
既存手法 [Le+17] 守備指標を加えた提案[寺西+20]

10. ボール（黄）とボールに近い守備者（白）に着目
攻撃方向
10
予測軌道の例 （図は[寺西+20]を改変）
既存手法 [Le+17] 守備指標を加えた提案[寺西+20]

11. 右はボールに近くなる軌道を生成（守備評価を考慮）
攻撃方向
長 短
11
予測軌道の例 （図は[寺西+20]を改変）
既存手法 [Le+17] 守備指標を加えた提案[寺西+20]

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