Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

集団スポーツの選手軌道予測(2)

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。

Related Books

Free with a 30 day trial from Scribd

See all

Related Audiobooks

Free with a 30 day trial from Scribd

See all
  • Be the first to comment

  • Be the first to like this

集団スポーツの選手軌道予測(2)

  1. 1. 集団スポーツの選手軌道予測 (2) (バスケットボール・サッカー) Sports Analyst Meetup #9 2020/12/13 藤井 慶輔 (@keisuke_fj) 1 自己紹介は前々回: https://logmi.jp/tech/articles/323049 軌道予測1 は前回: https://www2.slideshare.net/KeisukeFujii1/ss-237018047
  2. 2. なぜ集団スポーツで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. 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 𝑠𝑡 𝑎 𝑡 ℎ 𝑡 例: 回帰型NN (RNN) … … 現在の 状態 隠れ状態 次の 行動 これら先行研究の手法は、予測誤差を最小にするようにモデルを学習・評価 →集団スポーツにはその他にも、戦術・認知・力学などの観点から評価が必要 前回: 戦術的指標を入力して評価 [寺西+20] 今回: 観測・力学制約をモデル化・評価 [Fujii+20]
  4. 4. これまでの軌道予測NNモデルの問題点(いずれか) 1. 外部環境の情報をすべて用いる 2. 中央制御的・最適なコミュニケーションを仮定[Zhan+19; Yeh+19など] 3. 選手の移動に関わる力学的制約を無視 (詳細は論文[Fujii+20]を参照) 集団スポーツ選手の特徴: 1. 限られた認知資源の中で、情報(観測)を柔軟に取捨選択 2. 中央制御的でなく自律分散的に振舞う 3. 物理則・運動制御則から外れない(例:加速度は滑らか) そこで、上記の要件を満たすNNモデルを構築したい o x
  5. 5. モデルの詳細と実験結果の前に データセット: • サッカー: ヨーロッパリーグ45試合、10 Hz • https://www.statsperform.com/に連絡を取って入手 • バスケ: NBA100試合、25 Hz (→10 Hzにダウンサンプリング) • https://github.com/rajshah4/BasketballDataから 誰をどこまで予測? • 守備チーム全員(10人/5人)を予測 • 2秒間の軌道を使って6秒間の軌道を予測 何から何を予測? • 入力: 全選手の位置・速度・加速度など • 出力: 各選手の速度と加速度など(検証は[Fujii+20]) ※各選手に1つのモデル(例:RNN)を割当てる
  6. 6. 部分観測と力学的制約を考慮した分散型模倣学習モデル 全体像: 構成要素: ① 部分観測モデル ② 局所的方策 ③ 大域的目標 ④ 力学的制約 ④ ③ ② ① Multi-hot 表現 [Zhan+19] 変分RNN : multi-hot表現を学習 : 変分RNN [Chung+15] : 部分観測・分散型の弱教師情報(例:止まりそうな場所) a. 位置・速度・加速度の整合性(物理)に関する罰則 b. 加速度の滑らかさ(生体力学)に関する罰則 [Fujii+20]
  7. 7. モデルの詳細②③と長期予測の妥当性検証 変分 RNN Root mean squared error (6-s prediction) [Chung+15, NIPS] 大域的目標を用いた 階層型変分RNN [Zhan+19, ICLR] を分散型に修正 大域的目標 確率的 潜在変数
  8. 8. モデルの詳細と実験結果④ 力学的制約の妥当性検証 NNの学習時に、制約損失(罰則)を加えた • 提案モデルは、速度と加速度を直接予測し、位置は間接的に予測 [Fujii+20] 1. 直接予測した加速度の分布 と間接的に予測した加速度の分布 の差(KL divergence) 2. 間接的に予測した位置の分布 と計測された の差 (NLL: 負の対数尤度) 3. 直接予測した加速度の分布 と次の時刻の加速度 の差 (NLL) (これは滑らかな運動を達成する躍度最小原理 [Flash+85,JNS] を参考) 1 2 3 better
  9. 9. 実験結果① 部分観測の可視化とシミュレーション 観測の係数(平均の観測数) : – バスケ: 各守備選手 4.42±0.31 (max.: 11) – サッカー: 各守備選手 8.04±1.54 (max.: 23) 典型例と反事実的な予測: 守備 #1 は攻撃 #1とその他 の間でバランスを取る 守備 #1が攻撃 #1だけを見 たら近づいた(初心者的) 観測が1つの反事実予測 D1 D2 D3 D4 D5 A1 A2 A3 A4 A5 Ball 1 0 D1 提案モデルの予測(6 s)実際のデータ (観測に正解データ無) D1 D2 D3 D4 D5 A1 A2 A3 A4 A5 Ball 1 0 D1
  10. 10. まとめ・謝辞 動機: 戦術的なチームの動きをモデル化し予測・制御したい 今回の話: 予測誤差だけでなく選手の部分観測と力学的制約 を考慮して学習・評価[Fujii+20, code] 展望: 最適な動きの提示[Sha, 18]や、個人の評価[Decroos+19] 現場での利用可能性: (計測システムがあれば)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 とどう動くかなどを可視化できるシミュレーションとして期待 その他の情報: https://sites.google.com/view/keisuke198619jp/ 質問・興味などある方はfujii@i.nagoya-u.ac.jpや@keisuke_fjまで 10 本研究は、以下の方々との共同研究です(敬称略) 武石直也(西スイス大・理研)・河原吉伸(九大・理研) ・武田一哉(名大) 謝辞: 科研費 19H04941, 20H04075 など

×