コンテンツにスキップ

シミュレーションデータを用いたサッカー基盤モデルの構築に向けて


はじめに

本研究では、サッカーの基盤モデルの構築に向け、シミュレーションデータを用いてサッカーの軌道データ予測を行います。近年の大規模基盤モデルの応用とスポーツ分析の発展に基づき、特にサッカーにおける複数エージェントの連携をモデル化することに焦点を当てています。

データセット

サッカーの軌道データ

2019年の明治安田生命J1リーグの55試合分のトラッキングデータを使用。選手とボールの位置座標を記録し、10Hzにダウンサンプリングして前処理を行いました。

シミュレーションデータ

RoboCup2021 Soccer Simulation 2D Leagueのログデータを使用し、プレイモードが”play on”のサイクルのみを抽出してデータを前処理しました。

データ拡張

データの増強のため、各フレームにおける選手とボールの座標を点対称および線対称に移動したデータを生成しました。

実験

モデル

いくつかのモデルを使用し、軌道データの予測性能を評価しました。使用モデルには、Constant Velocity、LSTM、LSTM-GNN、PatchTST、PatchTSMixerなどがあります。

学習方法

入力系列長と予測系列長の長さを変動させ、モデルの予測性能を評価しました。学習にはAdamWオプティマイザを使用しました。

評価方法

平均L2誤差(Mean L2)と失敗率(Miss Rate)を用いてモデルの性能を評価しました。

結果・考察

軌道予測性能

入力系列長を20に固定した場合、出力系列長が短い時にはLSTMベースモデルが高性能を示し、出力系列長が長い場合にはPatchTSMixer-largeが最も高い性能を発揮しました。また、シミュレーションデータを用いることで性能が向上することが確認されました。

軌道埋め込みの有効性の検証

モデルにより得られた軌道データの埋め込み表現の有効性を定性的に評価し、軌道の特徴を捉えることができることを示しました。

おわりに

本研究では、多変量時系列予測モデルを用いてサッカーの基盤モデルの構築可能性を示しました。シミュレーションデータの有効性も確認され、今後のさらなるアーキテクチャの改善が期待されます。

謝辞

本研究は、国立研究開発法人産業技術総合研究所事業の令和5年度覚醒プロジェクトの助成を受けたものです。