arXiv cs.AI· Marc Guti\'errez-P\'erez, Antonio Agudo·· 11 小时前AI 评分24
基于跟踪数据的分位数回归学习人类运动可行性
Learning Human Sports Motion Feasibility via Quantile Regression on Tracking Data
AI 导读
研究将体育中的到达时间（TTA）建模为条件分位数回归问题，估计移动时间的下分位数以学习球员的下包络到达时间。模型在 PFF FC FIFA World Cup 2022 全部 64 场比赛的光学跟踪数据上训练，轻量级 MLP 在所有评估指标上持续优于六个文献中的球员运动模型及学习可达凸包基线。研究还在篮球跟踪数据和单场 NFL 数据集上评估了跨运动迁移性。
正文 · AI 翻译
摘要：我们研究体育中的到达时间（TTA）：在给定球员当前运动学状态的情况下，球员到达球场上任意位置所需的最短合理时间，该时间被估计为观测到的移动时间的下包络。我们没有通过位置密度估计或基于物理的闭式模型来建模空间控制权，而是将 TTA 视为一个条件分位数回归问题，估计移动时间的下分位数，使模型学习球员的下包络到达时间。我们使用 PFF FC FIFA World Cup 2022 数据集全部 64 场比赛的光学追踪数据训练模型，并将一个轻量级多层感知机与文献中的六个球员运动模型（重新表述为 TTA 预测器）以及一个学习到的可达包络基线进行评估对比。在我们的评估指标上，MLP 始终优于所有基于物理的基线。为了探究所学移动模型的泛化性，我们进一步在篮球追踪数据和单场 NFL 追踪数据集上对其进行评估，分析球员运动动力学在不同运动项目间的可迁移性。我们的项目见 此 https URL。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.36183 [cs.AI] |
| （或 arXiv:2610.36183v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.36183 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Marc Gutiérrez-Pérez [查看电子邮件]
[v1]
2026年10月26日星期一 19:17:19 UTC（3,533 KB）
来源：arXiv cs.AI · arxiv.org