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

1,007 views

Published on

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。

Published in: Technology
  • Be the first to comment

集団スポーツの選手軌道予測

  1. 1. 集団スポーツの選手軌道予測 (サッカー・バスケットボール) Sports Analyst Meetup #8 2020/7/18 藤井 慶輔 (@keisuke_fj) 1 自己紹介は前回: https://logmi.jp/tech/articles/323049 詳細: https://sites.google.com/site/keisuke198619jp/
  2. 2. なぜ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 本日: 代表的な先行研究と、関連する私たちの研究の話 1. 模倣学習として長期予測 [Le+17] → 戦術的指標を入力して評価[寺西+20] 2. 発展的な話題([Fujii+20]など、詳細は次回…) 𝑠𝑡 𝑎 𝑡 ℎ 𝑡 例: 回帰型NN (RNN) … … 現在の 状態 隠れ状態 次の 行動
  4. 4. 詳細の前に(前提) データセット: • サッカー: ヨーロッパリーグ45試合、10 Hz、選手情報なし • https://www.statsperform.com/に連絡を取って入手 • バスケ: NBA600試合前後、25 Hz、選手情報あり • 上記もしくはhttps://github.com/rajshah4/BasketballDataから 誰をどこまで予測? • 守備 [Le+17, 寺西+20, Fujii+20]、攻撃[Zhan+19]チーム全員を予測 • 𝑇0 (< 3)秒間の軌道から𝑇1(< 10)秒間の軌道を予測 何から何を予測? • 入力: 全選手の位置と速度など • 出力: 各選手の位置または速度など(検証は[Fujii+20]) 4 ※各選手に1つのモデル(例:RNN)を割当てることが多い
  5. 5. 1. 模倣学習として長期予測を獲得 [Le+17] 動機: RNNだけでは長期予測ができない ✓ 問題1: 選手の並びが適当なので役割が 考慮されない ✓ 問題2: RNNは1-step毎に予測するので、 長期予測では誤差が蓄積 5 方法: 1. 選手の並びを役割に合うように並び替える ✓ Gaussian HMMを用いた役割割当(教師なし学習、本日は割愛) 2. 予測する範囲を徐々に延ばしてRNNを更新 ✓ DAgger [Ross+11]と呼ばれるデータを混ぜて更新する方法を参考 ※模倣学習は上記を含む、選手モデルの学習の定式化 ゴール
  6. 6. 予測する範囲を徐々に延ばしてRNNを更新 horizon: 予測フレーム数 まず個別のRNNから 1-stepの予測誤差で学習 6 (図は[寺西+20]を改変) 1-step RMSE
  7. 7. 予測範囲(horizon)を 徐々に延ばして学習 長期予測の性能も向上 [Le+17] 7 予測する範囲を徐々に延ばしてRNNを更新 (図は[寺西+20]を改変) 1-step RMSE horizon: 予測フレーム数
  8. 8. 守備評価(サッカー)を考慮した軌道予測 [寺西+20] 予測誤差だけで評価して良いのか? → 守備指標 𝐸 𝑑𝑓 = 𝑙 𝑑𝑓/𝑙 𝑔を入力・評価 • 0の場合ゴールを守れている • ボールがゴールから遠いと低くなる [Vilar +13] を参考に修正 (図は[寺西+20]) 2 s 予測誤差 (m): 差がない 0 1 2 3 1 2[Le+17] 提案[寺西+20] 0 0.1 0.2 0.3 1 2 3 守備指標 𝐸 𝑑𝑓(予測)は実測に近い 実測値 [Le+17] 提案[寺西+20] 8
  9. 9. 予測軌道の例 まずは全体(違いがわかりにくいが…) 攻撃方向 9 (図は[寺西+20]を改変) 既存手法 [Le+17] 守備指標を加えた提案[寺西+20]
  10. 10. ボール(黄)とボールに近い守備者(白)に着目 攻撃方向 10 予測軌道の例 (図は[寺西+20]を改変) 既存手法 [Le+17] 守備指標を加えた提案[寺西+20]
  11. 11. 右はボールに近くなる軌道を生成(守備評価を考慮) 攻撃方向 長 短 11 予測軌道の例 (図は[寺西+20]を改変) 既存手法 [Le+17] 守備指標を加えた提案[寺西+20]
  12. 12. 発展的な話題(次回の予定) • 長期予測の性能向上 1. RNN自体の改善: 変分RNN [Chung+15] • スポーツでは[Zhan+19, Yeh+19, Fujii+20]など 2. 目標(弱教師情報)を利用する • 例:次に止まりそうな場所など [Zhan+19, Fujii+20] 3. その他の枠組み(GAN, Graph NN等)も • 良いシミュレータとして予測誤差以外の観点? • 今回は戦術評価[寺西+20] • 誰が誰を観測しているか、仮に観測する/しない場合 どのような軌道になるか[Fujii+20] 変分RNN [Chung+15] [Zhan+19] 12 観測のモデリング[Fujii+20]
  13. 13. まとめ・謝辞 テーマ: 集団スポーツの選手軌道予測 NNを利用した代表的な研究と私たちの研究を紹介 1. 模倣学習として長期予測 [Le+17] → 戦術的指標を入力して評価[寺西+20] 2. (次回の予定)目標を活用して長期予測 [Zhan+19] → 観測をモデリングして評価[Fujii+20] NBAのデータ: https://github.com/keisuke198619/SportVU_extraction その他の情報: https://sites.google.com/site/keisuke198619jp/ 本研究は、以下の方々との共同研究です(敬称略) 寺西真聖(名大)・武田一哉(名大) 謝辞: 科研費 19H04941, 20H04075など 13

×