【ZiDongHua 之创新自科文收录关键词：人工智能 智能博弈 中国科学院自动化研究所 智慧足球分析系统 】
 
 
　　向绿茵场进发！自动化所团队在足球比赛智能博弈研究方面取得系列进展
 
 
　　近年来，人工智能技术在足球训练领域的应用产生了重要的影响，尤其是博弈对抗技术使球队和球员的行为策略有了理论技术基础，而愈加受到体育专业领域的重视。同时，由于足球推演面临大时空跨度、多个体合作与对抗、强不确定、稀疏奖励等挑战，任务复杂度高于围棋、一般即时策略类游戏等基础问题，也被看作决策智能研究的典型场景和测试平台。
 
　　中国科学院自动化研究所蒲志强研究员团队牵头承担了科技创新2030—“新一代人工智能”重大项目之课题“基于博弈对抗的足球推演系统”。课题组以人工智能博弈决策技术为基础，致力于改变足球赛事分析相对滞后的、静态的、以个体分析为主的传统统计描述模式，构建实时的、动态的、以全局战术分析为主的智慧推演评估方法、工具和系统。课题面向足球领域大规模知识库构建、动态复杂不确定状态感知与局势理解、多时空尺度典型场景博弈对抗决策等方面开展系统研究，构建智慧足球分析系统，服务于专业及青少年代表队，为人工智能技术在足球领域的深度应用打开了新空间。
 
　　自主构建大规模足球领域数据库
 
　　人工智能研究离不开数据支撑，但国内足球赛事及训练缺乏可控数据与数据采集体系的问题一直存在。
 
　　为此，研发团队搭建了完整的足球数据采集系统，开展了一系列足球比赛数据自主采集工作。同时，系统研究了国内外开源足球数据集，并面向英超联赛开展了上千场赛事数据智能分析，构建了融合事件数据、追踪数据等多种数据形式的数据集，形成了国内首个千万级节点足球专业领域知识库，覆盖球员近万名、赛事5000余场，并提出了近200项运动表现分析指标，为开展更加深入的赛事智能分析提供了坚实的数据支撑，为构建我国足球领域数据资产提供了有效的资源和工具。
 
　　赛中实时研判，赛后反推复盘
 
　　研发团队综合运用足球领域专家知识及大数据分析、深度学习等工具方法，面向宏观战术、全局视角开展赛事状态感知与局势理解研究，可以出色完成多项赛事研判任务。例如，通过构建多维度全局优势区域模型，将比赛画面转变为态势地图，实时动态捕捉球队双方全场优势分布与变化情况，辅助教练员“打开第三只眼”，为其提供更全面深入的态势洞察和决策辅助，改变了相对滞后的赛后经验性战术分析模式。如下图所示，态势地图可针对场上球员每一次无球跑动或每一个有球动作做出价值评估。
 
　　
 
　　图1. 对真实比赛的全局性优势区域评估
 
　　又如，在赛后复盘阶段，针对比赛重要片段构建反事实推演模型，可开展“如果当时xx做，比赛会xx不一样”的模拟分析，并通过引入多轮策略博弈，实现“预判对手的预判”。
 
　　
 
　　图2. 反事实推演：黄色为真实对手轨迹，蓝色为真实阿森纳轨迹，紫色为替换阿森纳的AI模型轨迹
 
　　虚实融合的绿茵场，足球博弈决策推演
 
　　人工智能，特别是深度强化学习方法的兴起，为智能体在虚拟空间不断学习实现策略自主进化提供了重要手段。基于足球虚拟推演平台Google Research Football，团队采用知识与数据协同、对手建模、种群博弈、认知驱动、知识迁移等AI算法手段，提出了一系列高效的足球博弈决策方法，支持在虚拟空间中训练模型、演化更新战术战法。
 
　　同时，相关研究将千万级场次虚拟比赛数据与真实比赛数据结合，以虚实融合的方式打通了从现实到虚拟再反馈现实的分析路径，构建足球智能决策辅助模型，可进行任意球员无球跑动的价值衡量、传球序列分解与行为价值分配，从而辅助球员与教练员进行多维度的决策评估与模拟。
 
　　
 
　　图3. 基于不同角色知识迁移的多智能体训练框架
 
　　
 
　　图4. 虚拟空间内的策略进化
 
　　基于虚拟数据训练的模型可支持真实比赛分析。以英超2021-2022赛季阿森纳对战托特纳姆热刺的一场比赛为例，如图5，第6分02秒的画面中，阿森纳此时处于进攻关键时刻，边后卫3号蒂尔尼可将球传给10号史密斯罗或14号奥巴梅扬，他该如何选择呢？我们可对10号和14号球员无球跑动价值进行分析，来帮助3号球员进行决策。两名球员的无球跑动价值如图6所示，颜色越亮的区域价值越高，即若球员向明亮区域移动，其可占据更多的优势区域，并为所在球队创造得分机会。最终，AI分析结果与真实比赛中球员的决策一致。
 
　　图5. 第6分02秒的转播画面与全景画面
 
　　基于以上成果，课题组自主研发了足球比赛智能分析系统，将多个算法成果集成应用。通过该系统，教练员在上传比赛片段后，即可获得球员的技战术与全局性策略表现评估，且能够对球员跑动能力、速度等个性化信息进行修改，实现反事实战术推演。
 
　　推动成果落地，释放体育新活力
 
　　研究成果已服务于部分职业联赛和青训代表队的比赛分析、推演、复盘等实际应用，帮助“2023首届京津冀大学生校际足球联赛”多支参赛队伍、浙江省青少年足球锦标赛台州市女子参赛队及北京灵动星空等球队以更科学、可量化的方式提升球员技战术水平，辅助教练完善比赛战术布防。同时，与业内顶尖上下游企业开展技术合作，形成数据采集-智能分析整体解决方案，已服务于一批青少年足球课堂教学及赛事人才选拔。下一步，团队将持续推动人工智能技术在足球领域的技术突破与深度应用，为以足球为代表的体育事业提供科技助力，注入智慧动能。
 
　　部分代表性论文：
 
　　[1] Pu Z, Wang H, Liu B, et al., Cognition-Driven Multi-Agent Policy Learning work for Promoting Cooperation. IEEE Transactions on Games, 2022.
 
　　[2] Liu B, Pu Z, Zhang T, et al., Learning to Play Football from Sports Domain Perspective: A Knowledge- ded Deep Reinforcement Learning work. IEEE Transactions on Games, 2022.
 
　　[3] Liu B, Pu Z, Pan Y, et al., Lazy Agents: A New Perspective on Solving Sparse Reward Problem in Multi-agent Reinforcement Learning. ICML 2023.
 
　　[4] Wang S, Pan Y, Pu Z, et al., Deconfounded Opponent Intention Inference for Football Multi-P Policy Learning. IROS 2023.
 
　　[5] Chen M, Pu Z, Pan Y, et al., Knowledge Transfer from Situation Evaluation to Multi-Agent Reinforcement Learning, ICONIP 2022.
 
　　[6] Chen M, Pu Z, Pan Y, et al., All for Goals: A Stylized Automated Analysis work in Football Matches, IJCNN 2023.
 
　　[7] Wang S, Pan Y, Pu Z, et al., Heterogeneous-Graph Attention Reinforcement Learning for Football Matches, IJCNN 2023.
 
　　[8] Pu Z, Pan Y, Wang S, et al., Orientation and Decision-Making for Soccer d on Sports Analytics and AI: A Systematic Review, IEEE/CAA Journal of Automatica Sinica, to be published.