可解读足球阵型和防守策略的人工智能来了

迪斯尼研究院（Disney Research）表示其以开发出可以解读足球比赛队形和防守策略的人工智能。

然足球运动员在比赛时的角色是固定的，但在整个赛程甚至是一场比赛中，球员的位置是可以互换的。出现这种情况时，其他球员和大多数粉丝都能看出来。现在，得益于多代理模仿学习方面的新成果，电脑也能够胜任这个任务。

来自于迪斯尼研究院、加州理工学院和运动数据提供商STATS的研究人员使用深度学习技术开发了一种算法，可以通过分析玩家跟踪数据自动识别球队的队形。

迪斯尼研究院的科学家Peter Carr表示：“据我们所知，这是模仿学习算法被首次大规模用于合作多代理策略的联合学习。”

他在评论中说：从运动分析学的角度来看，这使得机器能够了解球员们如何相互配合和交换角色，从而能够更好地分析足球、篮球或其他团队运动中每个运动员的情况。

迪斯尼研究院副总裁Markus Gross表示：“这项新功能的应用远远超出了体育运动。它还被用于机器人运动和自动驾驶车辆的规划，以及集体动物行为建模等。”

在8月8日于澳大利亚悉尼举办的国际机器学习会议上，该小组发表了他们的成果。加州理工学院计算与数学科学助理教授Yisong Yue表示，多代理学习已经不新鲜了，但与传统的有监督学习和单代理强化学习相比，其进展相对较小。他补充说，考虑到问题的复杂性，以及数据来源和实验测试平台的历史性缺乏，出现这种情况是可以理解的。

STATS公司数据科学主任Patrick Lucey说：“STATS等组织积累了丰富的运动跟踪数据，使得现在的计算机可以通过观察一群人的行动进行学习-即所谓的多代理模仿学习。”

在今年早些时候举行的麻省理工学院体育分析学大会上，迪斯尼、加州理工学院和STATS团队展示了他们的工作，并演示了电脑如何根据进攻球员的行为指出防守队员应该处于什么位置，并指出防守球员失位的情况。借助于这项最新的工作，电脑不再需要人类指明球队正在采用的队形。相反地，算法能够从跟踪数据中自动识别球员的职责，以及在比赛过程中的变化情况。

Yue解释道，研究人员通过使用深度学习技术，将单一代理模仿学习方法扩展到了多代理领域。深度学习是一种强大的机器学习技术，能够利用被称为神经网络的大脑启发程序。但是直接利用深度学习来解决问题是不够的。

加州理工学院博士生Hoang Le说：“如果我们向神经网络输入原始的跟踪数据，则无法通过学习得到一套合适的策略来识别队形。我们的主要想法是在每个时间节点为球员重新编号，使得数据按照一致的顺序进行排列，从而反映出当前队伍的队形。”以前，这是通过人工方式处理的，但研究人员设计出了一种新的学习方法，可以自动执行这种重新编号任务，从而使计算机能够了解当前的队形。

在一个包含欧洲职业足球队45场比赛数据的实验中，研究人员利用该算法来演算每个队伍所采用的队形，然后推断出哪位球员正在履行某个角色（不包括守门员）。他们发现该算法的基本性能胜过了传统的模仿学习方法。

研究人员还对捕食者-猎物模拟游戏进行了实验，在这个游戏中，四个捕食者和一个猎物被定位在一个网格上。捕食者必须协调他们的行动，以尽可能在最短时间内捕获猎物。Le表示，该算法的表现能够很快接近专家水平，远远超过了非结构化的多代理模仿学习方法。后者往往无法捕获猎物。

Patrick Lucey指出：作为本次公开发表的一部分，STATS发布了跟踪数据，以促进多代理学习的进一步研究。该数据可从https://www.stats.com/data-science获得。