Core Concepts
Ein CNN-basiertes System zur genauen Erfassung der Positionen und Rotationen aller Spielfiguren auf einem Tischfußballtisch, um den Spielzustand für den Einsatz in Reinforcement Learning Systemen bereitzustellen.
Abstract
In dieser Arbeit wird ein CNN-basiertes System zur Erkennung des Spielzustands eines Tischfußballtisches präsentiert. Der Tischfußballtisch ist teilautomatisiert, wobei das schwarze Team von Industriemotoren gesteuert wird, während das weiße Team von menschlichen Spielern kontrolliert wird.
Das System erfasst den Spielzustand, indem es die Positionsverschiebungen und Rotationen aller Spielfiguren (schwarz und weiß) aus Kamerabildern vorhersagt. Dafür wurde zunächst ein Datensatz erstellt, der die Verschiebungen und Rotationen der Stangen als Referenz enthält. Die Rotationen der weißen Stangen wurden dabei mithilfe von Beschleunigungssensoren gemessen, während die Positionsverschiebungen aller Stangen durch Computervision-Techniken berechnet wurden.
Basierend auf diesem Datensatz wurden verschiedene CNN-Modelle als End-to-End-Regressionsnetzwerke trainiert, um die Verschiebungen und Rotationen der Spielfiguren vorherzusagen. Die Autoren evaluierten ResNet, MobileNet und EfficientNet als Basisarchitekturen für die Merkmalsextraktion. Die Ergebnisse zeigen, dass das System in der Lage ist, den Spielzustand mit hoher Genauigkeit zu erfassen und die definierten Anforderungen zu erfüllen.
Darüber hinaus wurde ein Datenvermittlungssystem auf Basis von ZeroMQ entwickelt, um den Spielzustand an verschiedene Clients, wie z.B. Reinforcement Learning Systeme, zu übertragen.
Stats
Die Positionsverschiebung der Spielfiguren kann mit einem mittleren absoluten Fehler von 3,88 mm vorhergesagt werden.
Die Rotation der Spielfiguren kann mit einem mittleren absoluten Fehler von 5,93 Grad vorhergesagt werden.
Quotes
Keine relevanten Zitate gefunden.