[论文解读] 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 7

一句话总结

ShuttleNet 是一种新颖的深度学习框架，通过融合回合进展与球员个性化风格，利用位置感知注意力机制预测羽毛球击球。它采用基于 Transformer 的编码器-解码器提取器分别捕捉回合上下文与球员上下文，并结合门控融合网络，根据击球位置与依赖关系动态加权各上下文贡献，实现在真实世界数据集上的击球类型与位置预测的最先进性能，交叉熵损失为 1.9802，均方误差为 1.5856，平均绝对误差为 1.3802。

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.

研究动机与目标

• 为回合制运动（如羽毛球）中尚未满足的客观、数据驱动的击球预测需求提供解决方案。
• 建模回合进展与个体球员风格在击球预测中的复杂相互作用。
• 开发一种序列到序列框架，能够在回合中每一轮击球时预测多个输出（击球类型与位置）。
• 引入位置感知与动态注意力机制，根据击球位置动态加权回合与球员上下文的重要性。
• 通过预测性击球分析，实现教练策略制定与球迷参与的实用化应用。

提出的方法

• ShuttleNet 使用基于 Transformer 的回合提取器（TRE）通过序列化击球数据建模回合的推进过程。
• 它采用基于 Transformer 的球员提取器（TPE）从回合制击球序列中解耦并编码个体球员风格。
• 一种位置感知门控融合网络通过应用可学习的位置权重，并建模上下文间的依赖关系，整合回合与球员上下文。
• 该融合网络采用类型-区域注意力（TAA）机制，分别关注击球类型与区域坐标，提升多输出预测的建模能力。
• 输出头处设置两个任务特定的预测器，基于融合表示分别预测击球类型与区域坐标。
• 模型采用端到端训练，击球类型使用交叉熵损失，区域坐标使用均方误差损失。

实验结果

研究问题

• RQ1 如何将羽毛球击球预测有效建模为一种序列预测任务，同时考虑回合制游戏机制与多输出预测？
• RQ2 回合进展与个体球员风格在准确击球预测中的贡献程度如何？应如何实现有效融合？
• RQ3 位置感知注意力能否改善击球预测中上下文依赖性与动态重要性的建模？
• RQ4 所提出的类型-区域注意力机制与标准自注意力机制相比，在捕捉击球类型与位置依赖关系方面表现如何？
• RQ5 回合上下文、球员上下文与融合机制对整体预测性能的相对贡献是什么？

主要发现

• ShuttleNet 在测试集上实现最先进性能，交叉熵损失为 1.9802，均方误差为 1.5856，平均绝对误差为 1.3802，优于所有基线模型。
• 消融实验表明，若移除任意一个上下文输入（回合、球员 A、球员 B），性能均出现显著下降，证实三者具有互补作用。
• 移除位置权重的融合网络（w/o β）导致性能下降，表明位置感知在动态上下文加权中至关重要。
• 将类型-区域注意力机制替换为标准自注意力后，交叉熵损失增加 0.4%，均方误差增加 4.6%，平均绝对误差增加 3.4%，证明其优越性。
• 模型有效捕捉到击球类型预测更受球员风格影响，而区域预测则更依赖回合进展。
• 案例研究显示，ShuttleNet 能够区分球员间的策略差异，例如球员 A 倾向于中路回球，而球员 B/C 倾向于在扣杀后选择网前回球。