Jun, 2023

使用集合变换器和分层双向长短时记忆网络从多智能体运动环境中推断球轨迹

PDF
TL;DR该论文提出了一种基于 Set Transformer 和层次结构的推理框架，用于通过球员轨迹推断足球的轨迹，实现了自然且准确的轨迹预测，并提出了几种实用的应用包括缺失轨迹计算与自动放映。
artificial intelligencesports analyticsball trajectorysoccerplayer possession
发现论文，激发创造
  • 潜变量序列集合变压器用于联合多智能体运动预测

    提出了基于自动机器人（AutoBots）的潜变量序列集变压器模型，具有单代理预测和多代理预测的能力，在全局 nuScenes 车辆运行预测领域取得了最佳成果，使用了学习可并处理的时间和社会 MHSA 模块的编码器，并结合可学习的种子参数，使用临时和社会 MHSA 模块的解码器能够高效地对整个未来场景进行推断。

    Feb, 2021

  • 通过 "团队游戏" 重新思考轨迹预测

    该论文提出了一个新的多智能体轨迹预测模型，它通过交互式分层潜空间明确引入组内共识的概念，可以更好地捕捉群体层面和个体层面的互动，从而在两个多智能体场景中均实现了优异的性能表现。

    Oct, 2022

  • 运用深度学习对篮球轨迹进行分析

    运用递归神经网络模型预测三分球成功率的研究表明，深度学习模型相对于以特征工程为主的传统机器学习方法在运用职业篮球比赛数据进行预测时表现更加优秀。

    Aug, 2016

  • 多摄像头异步球体定位和轨迹预测：基于因子图和人体姿势

    通过多相机系统与因子图的创新方法，结合人体姿态数据和时间卷积网络（TCN）来定位网球、预测轨迹，估计速度和旋转，提供更准确的旋转先验信息，从而提高运动初始阶段的隐藏状态推理能力。

    Jan, 2024

  • 基于 Transformer 模型和追踪数据的热力图预测

    该研究提出了一种能够预测传球潜在终点位置及传球前球员移动如何影响最终结果的新型深度学习网络结构，并通过分析超过 28,000 次传球事件，实现了超过 0.7 的 Top-1 准确率。基于预测结果，可以更好地理解场地控制和传球选择，以衡量球员的无球移动对防守表现的贡献，并为足球分析师提供更好的工具和指标，以理解球员随时间的移动如何影响比赛策略和最终胜利。

    Sep, 2023

  • NBA 球员的多模态轨迹预测

    研究了国家篮球协会（NBA）球员在比赛过程中复杂决策问题的解决方法，提出了一种基于 LSTM 架构的方法来预测运动轨迹和其概率，并通过多模式损失函数更新最佳轨迹，实验结果表明该方法胜过现有技术且能够学习到球员的个人风格。

    Aug, 2020

  • 多智能体张量融合用于上下文轨迹预测

    自动驾驶中准确预测其他车辆 / 行人的运动轨迹非常重要，本文提出了一种基于多智能体张量融合网络的模型，可以模拟代理人之间的交互和约束以及环境场景等因素，从而实现对未来运动轨迹的精准预测，并在高速公路和行人数据集上表现出最先进的预测精度。

    Apr, 2019

  • 利用编程的弱监督生成多智能体轨迹

    本文介绍了一种用于拟合协调多智能体轨迹行为的分层生成模型框架，并利用编程生成的弱标签扩展到时空范畴，非常适合处理如篮球比赛中的复杂互动以及生成真实的多智能体轨迹。

    Mar, 2018

  • Baller2vec++：多实体预测变形器模型用于协调代理建模

    本文介绍了一种能够有效建模协调代理的新型多实体变压器 Baller2Vec++，通过将一种特殊设计的自注意力掩码应用于位置和前瞻轨迹序列的混合物，来学习具有统计依赖关系的代理轨迹分布，从实验结果来看，Baller2Vec++ 在建模职业篮球运动员的轨迹时优于其前身。

    Apr, 2021

  • 自主系统的空间和社会情境感知基于 Transformer 的轨迹预测

    提出了一种基于转换器的轨迹预测模型，通过社交张量将目标代理的位移特征丰富化，考虑和周围代理的社交互动信息，以实现对周围代理的反应预测。

    Jun, 2024