基于多智能体深度强化学习的进攻和防守足球球员动作价值评估
介绍了描述足球比赛中个人动作的新语言以及一个考虑动作对比赛结果影响及其上下文的框架,通过聚合足球运动员的动作价值,可以量化他们对球队的进攻和防守贡献,并且通过在欧洲顶级比赛中的侦察和游戏风格表征来展示了如何考虑相关的上下文信息。
Feb, 2018
本文研究了深度强化学习在机器人学中的应用,通过模拟训练,在低成本仿真机器人上实现了动态环境下复杂足球比赛中从走路到踢球等一系列动作表现出稳定流畅的运动技能,并取得了不错的效果。
Apr, 2023
我们运用多智能体深度强化学习(RL)通过自我中心的 RGB 视觉训练端到端的机器人足球策略,解决了现实世界机器人领域中的许多挑战,包括主动感知、灵活的全身控制和长时间跨度的计划等。该论文是首次展示了通过将原始像素观测映射到关节级动作的端到端多智能体机器人足球的训练,并能够在真实世界中部署。
May, 2024
该论文研究了在 RoboCup 足球模拟领域中使用深度强化学习中的深度神经网络来处理参数化连续动作空间,成功地拓展了深度强化学习到参数化行动空间 MDPs 的类别,并比 2012 RoboCup 冠军代理更可靠地得分。
Nov, 2015
本论文提出了一种基于深度强化学习(DRL)的新方法来捕捉游戏背景,该方法使用 3M NBA 比赛的 play-by-play 事件来学习一个行动价值 Q 函数,并引入一种新的游戏影响度量(GIM)来评估玩家的整体表现。评估结果表明,GIM 在整个赛季中保持一致,并与标准成功指标和未来薪资高度相关。
May, 2018
利用图变分循环神经网络对足球比赛中球员的轨迹进行预测,并对球员在没有球的情况下对进球做出贡献的能力进行评估,结果显示提出的指标与球员的年薪相关性显著,表明该方法可以有效评估球员在没有球的情况下为队友创造进球机会的能力。
Jun, 2022
足球动作场景理解任务具有挑战性,本文综述了该任务的行为识别、定位和时空动作定位,特别关注了使用的模态和多模态方法,并评估模型性能的可公开获取数据源和度量标准。文章回顾了利用深度学习技术和传统方法的最新状态,重点介绍了多模态方法,这些方法整合了来自多个来源(如视频和音频数据)的信息,以及用各种方式表示一种来源的方法。讨论了方法的优点、限制以及提高模型准确性和鲁棒性的潜力。最后,本文强调了足球动作识别领域中的一些开放性研究问题和未来方向,包括多模态方法推动该领域的潜力。总之,本综述对于对足球动作场景理解领域感兴趣的研究人员提供了宝贵的资源。
Sep, 2023
利用深度 Q 网络算法,成功对 AI Soccer 等 5:5 机器人足球游戏中的机器人进行训练,并在 AI Soccer 国际大赛中进入了前 16 强。
Sep, 2022
本文通过采用深度学习技术,利用相关比赛数据定义了一种新的度量方式 ——Defensive Action Expected Threat (DAxT) 模型,该模型能够通过研究防守动作前的比赛进攻路径危险度,从而对防守动作进行评估,提高防守球员的价值。我们通过在实际英超联赛中的数据验证,以及与其他特征的结合,得出了防守球员的综合评分。总之,本研究在防守行动的价值评估方面提供了新的方法和技术。
Jun, 2021