分层游戏交互增强器：提升竞技与合作体育中多智能体轨迹预测的准确性

《Neural Networks》：Hierarchical Game Interaction Augmenter: Enhancing Multi-Agent Trajectory Prediction in Competitive and Cooperative Sports

多智能体轨迹预测研究提出Hierarchical Game Interaction Augmenter框架，通过球权转移预测模块、递归团队意图建模模块和软超图战术聚类模块，解决传统方法在动态博弈关系建模中的不足。

　　

王世佳|周博文|刘天翼|杨思远|哈米德·雷扎·卡里米

东北大学信息科学与工程学院，中国沈阳，110819

摘要

在竞技球类运动中，轨迹预测的应用范围超出了几何结构化的环境，未来的运动方式受到以球为中心的比赛动态的显著影响。尽管最近的方法增强了时空特征的提取能力，但它们通常将球员和球视为同一种对象，未能明确建模对手意图的递归性质，并且依赖于僵化的群体关系结构，这些结构无法适应不同的互动强度或规模。为了解决这些限制，本文介绍了层次化游戏交互增强器（HGIA），这是一个即插即用的框架，通过三个不同的模块来增强标准的时空模型。球控模块将控制权的转移作为以球为中心的指标进行捕捉。团队意图模块利用双路径递归推理来模拟团队层面的战略交换。战术集群模块构建了一个可学习的、基于原型的软超图，该超图具有平滑的自适应关联强度，用于表示高阶的群体关系，避免了脆弱的启发式分配。在篮球-U、足球-U和足球-U数据集上的广泛实验证明了HGIA的先进准确性和良好的效率。代码可在以下链接获取：https://github.com/wsj-neu/HGIA-sports。

引言

在竞技球类运动中，多智能体轨迹预测旨在通过建模时空交互来推断球员和球的未来运动（Wei, Zhu, Dai, & Lin, Xu, & Fu）。与行人（Kim, Chi, Lim, Ramani, Kim, Kim, 2024, Li-Juan, Bai, Karimi, 2025）或车辆场景（Lan, Liu, Fan, Lv, Ren, Cui, 2024, Liu, He, Yuan, Lv, Zhong, Chen, 2024）不同，在球类比赛中，运动往往遵循复杂的战略互动和博弈论关系。因此，有效的预测器需要捕捉到细粒度的动态和更高层次的对抗性推理线索（Qi, Fan, Karimi, Su, 2023, Wang, Wang, Xu, 2024）。

许多现有方法专注于优化时间和空间特征的提取和整合（Chen, Sang, Wang, Zhao, 2025, Li, Yao, Wenliang, He, Xiao, Yan, Wipf, Zhang, 2021, Tang, Kan, Shan, Ji, Bai, Chen, 2024, Xiang, Yin, Wang, Jin, 2024）。例如，Yeh等人（2019）专注于个体层面的建模，使用图神经网络（GNNs）和循环神经网络（RNNs）将所有信息汇总到一个潜在变量中，但很大程度上忽略了球类运动的战略复杂性。基于这一限制，Wei等人（2022）通过一个层次化的潜在空间引入了团队层面的动态，该空间在时空图变分RNN中整合了群体共识和个体行为。然而，这种方法忽略了对手建模的递归性质，即一个团队的策略不断受到对手的影响，同时也影响对手，从而低估了认知竞争的重要性（Willi等人，2022a）。

虽然团队层面的建模可以捕捉全局意图，但局部互动仍然至关重要。Fassmeyer等人（2025）提出了一种图生成方法来分类智能体角色并建模成对关系。然而，传统的GNN受到固定链接结构的限制，无法捕捉高阶动态。Xu等人（2024）通过超图神经网络（HGNNs）扩展了这种方法，使用Top-k注意力来形成用于轨迹预测的超边。然而，这种超图生成方法强制使用固定的二进制分配，忽略了球员可以同时参与多种关系且这些关系的强度各不相同的事实，以及群体规模自然可变的事实。这种结构的HGNN限制了在建模合作-竞争互动时的灵活性。

此外，在球类建模中，大多数方法将球和球员视为等同的对象，忽略了球在塑造比赛动态中的独特作用（Capellera, Ferraz, Rubio, Agudo, Moreno-Noguer, 2024, Cheng, Liu, Chen, Broszio, Sester, Yang, 2023）。在球类比赛中，球控是一种共享的控制状态，它决定了合作、竞争和奖励。传球、抢断和失误等突然的变化会立即扰乱团队的意图，使得球控动态对于建模球类比赛的破坏性和适应性至关重要。

为了解决这些限制，本文介绍了层次化游戏交互增强器（HGIA），这是一个旨在增强竞技球类运动中多智能体轨迹预测的博弈论交互建模的渐进式框架，它建立在时空框架的基础上。HGIA由三个模块组成。第一个模块是球控模块（BPM），它使用排列等变架构来消除对球员顺序的敏感性，并采用时间延迟标签来推断即将发生的球控转移。第二个模块是团队意图模块（TIM），它通过双路径迭代更新来实现博弈论中的递归对手推理，其中一个路径模拟对手意图的预期，另一个路径则在对手的条件下细化自我意图，从而能够对战略交换做出适应性响应。最后，战术集群模块（TCM）构建了一个基于原型的可学习软分配超图，并通过原型正则化来替代启发式的二进制关联，以稳健地捕捉高阶群体互动。本文的主要贡献总结如下：1.

一个层次化的多智能体交互建模框架——层次化游戏交互增强器，从全局的游戏决定因素逐步发展到团队层面的战略适应和细粒度的局部群体互动。

2.

一个具有排列等变性和时间延迟监督的球控模块，用于球控预测；一个采用双路径迭代推理的团队意图模块，用于团队层面意图建模；以及一个用于局部群体关系分析的基于原型的可学习软超图构建的战术集群模块。

3.

在篮球-U、足球-U和足球-U数据集上的广泛实验表明，HGIA实现了先进的准确性和良好的效率。

本文的结构如下。第2节回顾了轨迹预测的相关工作。第3节介绍了所提出的框架及其三个关键模块。第4节详细介绍了实验设置、结果和消融实验。第5节对本文进行了总结。

章节片段

相关工作

本节回顾了体育领域中轨迹预测、对抗性推理和基于超图的交互方面的先前工作。

方法论

本节首先定义了体育中的轨迹预测问题，然后介绍了整体框架，最后详细介绍了每个核心模块。

实验

为了全面评估所提出的方法，我们在三个体育领域进行了实验。报告了定量和定性结果，以提供全面的评估。所有实验都在配备双Intel Xeon E5-2698 v4 CPU（40核）和8×NVIDIA V100 GPU（32GB）的服务器上执行。除非另有说明，所有实验都在单个GPU上运行。

结论与未来工作

本研究从博弈论的角度探讨了竞技体育中的多智能体轨迹预测，强调了诸如突然的球控变化、递归演变的团队意图和高阶合作-对抗性互动等挑战。为了解决这些复杂性，我们提出了层次化游戏交互增强器（HGIA），这是一个基于时空框架的通用框架，由三个模块组成：球控模块、团队意图模块和

CRediT作者贡献声明

王世佳：撰写——原始草稿，验证，监督，软件，方法论，概念化。周博文：撰写——审阅与编辑，监督，项目管理。刘天翼：撰写——审阅与编辑，软件，数据管理。杨思远：可视化，软件，数据管理。哈米德·雷扎·卡里米：撰写——审阅与编辑，概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。