Core Concepts
各選手には特定の機能があり、役割に基づく相互作用が選手の将来の動きを予測するために重要である。
Abstract
本研究では、選手の役割に基づいて選手の将来の軌跡を予測するRolForというモデルを提案している。RolForは、選手の位置座標をエンコードし、潜在的な役割に基づいて並べ替えるOrderNNモジュールと、役割間の関係をモデル化するRoleGCNモジュールから構成される。
OrderNNモジュールは、選手の位置座標を潜在空間にマッピングし、微分可能な並べ替え手法を用いて選手を役割に基づいて並べ替える。RoleGCNモジュールは、役割を表すグラフノードと、それらの関係を表すエッジを学習する。これにより、役割に基づく選手間の相互作用をモデル化することができる。
実験では、事前に定義された役割順序を使用した場合、RolForが現状最高の予測精度を達成することを示している。一方で、エンドツーエンドでの役割の学習は課題があることも明らかにしている。これは、並べ替え操作の微分可能性の問題に起因すると考えられる。
Stats
各選手の位置座標は2次元ベクトルで表される
過去5フレームの選手の位置情報を入力とし、今後10フレームの軌跡を予測する
予測精度の評価指標としてADE(Average Displacement Error)とFDE(Final Displacement Error)を使用する
Quotes
"各選手には特定の機能があり、役割に基づく相互作用が選手の将来の動きを予測するために重要である。"
"RolForは、選手の位置座標をエンコードし、潜在的な役割に基づいて並べ替えるOrderNNモジュールと、役割間の関係をモデル化するRoleGCNモジュールから構成される。"
"実験では、事前に定義された役割順序を使用した場合、RolForが現状最高の予測精度を達成することを示している。一方で、エンドツーエンドでの役割の学習は課題があることも明らかにしている。"