[論文レビュー] ShuttleNet: Position-aware Fusion of Rally Progress and Player Styles for Stroke Forecasting in Badminton

Wei‐Yao Wang, Hong-Han Shuai+2 more|arXiv (Cornell University)|Dec 2, 2021

Sports Analytics and Performance被引用数 7

ひとこと要約

ShuttleNet は、位置に配慮したアテンションを用いてラリー進行状況と選手固有のスタイルを統合することで、バドミントンのストロークを予測する新しい深層学習フレームワークである。2つのトランスフォーマー基盤のエンコーダ・デコーダ抽出器を用いてラリーおよび選手の文脈を処理し、ストロークの位置と依存関係に基づいて動的に寄与度を重み付するゲート付き統合ネットワークを組み合わせ、実世界のデータセットにおいて1.9802のCE、1.5856のMSE、1.3802のMAEを達成し、スチルタイプおよび位置予測の最先端性能を実現した。

ABSTRACT

The increasing demand for analyzing the insights in sports has stimulated a line of productive studies from a variety of perspectives, e.g., health state monitoring, outcome prediction. In this paper, we focus on objectively judging what and where to return strokes, which is still unexplored in turn-based sports. By formulating stroke forecasting as a sequence prediction task, existing works can tackle the problem but fail to model information based on the characteristics of badminton. To address these limitations, we propose a novel Position-aware Fusion of Rally Progress and Player Styles framework (ShuttleNet) that incorporates rally progress and information of the players by two modified encoder-decoder extractors. Moreover, we design a fusion network to integrate rally contexts and contexts of the players by conditioning on information dependency and different positions. Extensive experiments on the badminton dataset demonstrate that ShuttleNet significantly outperforms the state-of-the-art methods and also empirically validates the feasibility of each component in ShuttleNet. On top of that, we provide an analysis scenario for the stroke forecasting problem.

研究の動機と目的

• バドミントンのようなターンベースのスポーツにおける、客観的でデータ駆動型のストローク予測の未満たされたニーズに対処すること。
• ストローク予測におけるラリー進行状況と個々の選手のスタイルの複雑な相互作用をモデル化すること。
• ラリー内の各ストロークで複数の出力（スチルタイプおよび位置）を予測できるシーケンス・ツー・シーケンスフレームワークの開発。
• ストロークの位置に基づいて、ラリーおよび選手の文脈の重要性を動的に重み付する位置に配慮したアテンションの統合。
• 予測可能なストローク分析を通じて、コーチング戦略の開発およびファンの関与を促進する実用的応用の実現。

提案手法

• ShuttleNet は、順序付きストロークデータを通じてラリー進行状況をモデル化するトランスフォーマー基盤のラリー抽出器（TRE）を用いる。
• ターンベースのストロークシーケンスから個々の選手のスタイルを分離して符号化するため、トランスフォーマー基盤の選手抽出器（TPE）を採用する。
• 学習可能な位置重みを適用し、文脈間の依存関係をモデル化することで、位置に配慮したゲート付き統合ネットワークがラリーおよび選手の文脈を統合する。
• タイプ・エリア・アテンション（TAA）機構を用いて、スチルタイプとエリア座標を別々に注目することで、多出力予測のモデリングを向上させる。
• 出力ヘッドには、統合表現を用いてスチルタイプとエリア座標を予測する2つのタスク固有の予測器が設けられている。
• スチルタイプには交差エントロピー損失、エリア座標には平均二乗誤差を用いて、エンド・ツー・エンドでモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 ターンベースのプレーと複数出力を考慮するストローク予測を、どのように効果的にシーケンス予測タスクとしてモデル化できるか？
• RQ2 ラリー進行状況と個々の選手のスタイルは、正確なストローク予測にどの程度寄与し、どのように統合すべきか？
• RQ3 位置に配慮したアテンションは、ストローク予測における文脈依存性と動的な重要性のモデリングをどのように改善できるか？
• RQ4 提案されたタイプ・エリア・アテンション機構は、標準的な自己アテンションと比較して、スチルタイプおよび位置の依存関係をどのようによりよく捉えられるか？
• RQ5 全体の予測性能に与えるラリー文脈、選手文脈、統合メカニズムの相対的寄与度はどの程度か？

主な発見

• ShuttleNet は、テストセットにおいて交差エントロピー損失1.9802、平均二乗誤差1.5856、平均絶対誤差1.3802を達成し、すべてのベースラインを上回る最先端の性能を発揮した。
• アブレーションスタディの結果、ラリー、選手A、選手Bの3つの文脈入力のいずれかを削除すると顕著な性能低下が生じ、それらが補完的役割を果たしていることを確認した。
• 位置重み（β無し）を用いた統合ネットワークでは性能が低下したため、位置に配慮したアテンションが動的文脈重み付けに不可欠であることが示された。
• 標準的な自己アテンションにタイプ・エリア・アテンション機構を置き換えると、CEが0.4%増加、MSEが4.6%増加、MAEが3.4%増加したため、本機構の優位性が裏付けられた。
• モデルは、スチルタイプ予測が選手スタイルに強く依存しているのに対し、エリア予測はラリー進行状況に依存していることを効果的に捉えていることが分かった。
• 事例研究により、ShuttleNet が選手間の戦略的差を区別できることを示した。例えば、選手Aはミドルリターンを好むのに対し、選手B/Cはスマッシュ後のネットレベルリターンを好む傾向がある。