模拟球员战术的强化学习羽毛球环境（学生摘要）
介绍了一项新的强化学习环境 - 谷歌足球环境，提供支持多人和多代理实验的虚拟学习环境和用于测试和展示强化学习算法的三种难度场景与一组更简单的场景。
Jul, 2019
本研究使用多智能体协同学习模型，在模拟环境中训练了一组虚拟的足球运动员，研究并展示了在不同时间尺度上，采用不同层次抽象的行为表征下，机器人团队的协作行为出现的现象与优势。
May, 2021
本文介绍了一种用于分析羽毛球比赛表现的深度学习模型，该模型通过一个新颖的短期提取器和长期编码器，以预测比赛结果为目标，将一场羽毛球比赛的每一个击球过程进行描述，并应用了注意力机制，使羽毛球专家能够解释预测结果，实验结果表明该模型胜过强基线结果。
Sep, 2021
介绍了一种新的用于击球预测的模型——ShuttleNet，该模型结合了比赛进展和运动员风格方面的信息，利用数据融合的方法提高击球预测的准确性，并在羽毛球数据集上取得了比较好的结果。
Dec, 2021
本文介绍了一种基于PM图和互动风格提取器的动态图和分层融合运动预测模型（DyMF），用于预测运动员的回球类型和动作位置。该模型在运动预测上实证表现优于基于序列和基于图形的方法。
Nov, 2022
本研究提出了一种基于视觉跟踪和深度神经网络的框架，通过控制区域概率图来评估双打比赛中的团队合作表现，并验证了其在实验室中的有效性，可以为比赛提供有价值的位置评估和指导。
May, 2023
本文介绍了ShuttleSet，这是最大的公共羽毛球单打数据集，包含104组，3,685个回合和36,492个记录，手动注释了18个不同类别的击球类型以及相应的击球位置和每个回合中两位选手的位置，并提供了多个基准来说明ShuttleSet用于基于回合的分析的实用性。
Jun, 2023
研究探讨了代理人预测系统，以探索代理人模式并提高在各个领域中的决策制定，诸如行人预测和营销竞标。羽毛球是一个多方面的回合制运动的迷人示例，既需要复杂的战术发展又需要依赖决策。深度学习中的最近方法在羽毛球球员战术预测方面显示出有希望的性能，这部分归功于对球员交互的有效推理。然而，一个关键障碍在于黑盒模型通过学习哪些特征来模拟球员行为的功能不清楚，现有的解释器不具备回合制和多输出的归因能力。为了弥补这一差距，我们提出了一种基于Shapley值变体的羽毛球回合制特征归因方法——ShuttleSHAP，用于分析羽毛球中的预测模型。ShuttleSHAP是一个模型无关的解释器，旨在量化时间和球员方面的贡献，以多方面线索为基础。将所提出的分析工具与基准数据集上的最先进的回合制预测模型相结合，揭示了关于过去击球推理的事实上的无关性，而传统的顺序模型有更大的影响。相反，球员的风格对未来模拟比赛产生了影响。除此之外，我们还调查和讨论了这些发现的因果分析，并通过本地分析展示了实用性。
Dec, 2023
通过分析球员运动学和生物力学，运用先进的神经网络方法，从羽毛球比赛的视频镜头中提取细致洞察，旨在推导出能够提供姿态、技术和肌肉定向改进建议的预测模型，以提高整体性能。
Mar, 2024
提出了一种新的用于模拟羽毛球运动员行为的层次化离线模仿学习模型RallyNet，它能够捕捉决策依赖关系，并通过引入几何布朗运动（GBM）来模拟球员之间的交互，提供了对体育分析的交互模型的理解，验证结果表明RallyNet在模仿球员行为方面优于离线模仿学习方法和现有的逐回合方法，规则化代理得分至少比它们高出16%以上，并且讨论了RallyNet的各种实际应用案例。
Mar, 2024