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

该论文研究机器学习如何应用于人类行为识别，提出一种基于Transformer的应用于棋类游戏，可以在只有100个标记棋局的情况下正确识别出准确率达到98%的玩家，同时也讨论了该方法对人类行为伦理的潜在影响。

Aug, 2022

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

通过模拟不同视角下的羽毛球回球并设计态势、动作和训练过程，实现了一个模拟器，可用于模拟过去的比赛进行战术研究，也可用于研究人员快速评估其新算法。

Nov, 2022

通过PLAYBEST方法，结合基于历史NBA运动跟踪数据的生成模型和价值函数，对行动轨迹进行条件采样以及分类器引导采样，生成高效的篮球战术策略，表现优异，超过传统的规划技术，适应性和灵活性更强。

Jun, 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

我们提出了一种新的多智能体模仿学习模型，用于预测对手的下一步动作，并将其与策略训练结合为一个训练过程的多智能体强化学习算法，在三个具有挑战性的游戏环境中进行了广泛实验，结果表明我们的方法在性能上优于现有的多智能体强化学习算法。

Aug, 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