通过改进的DDQN战术决策模型来提高短轨速滑表现
Yuanbo Yang1, Feimo Li2, Hongxing Chang2
1School of Information Science and Technology, Beijing Forestry University Beijing, Beijing 100107, China.
Sensors (Basel, Switzerland)
|December 23, 2023
概括
本研究使用深度强化学习来创建短轨速滑的战术决策模型. 人工智能方法提高了运动员的表现,并优化了竞争中的生理健康分配.
科学领域:
- 运动科学 运动科学 运动科学
- 人工智能的人工智能
- 计算科学 计算科学
背景情况:
- 短道速滑是冬季奥运会的一个热门运动.
- 传统的战术训练依赖于教练的经验和耗时的视频分析.
- 人工智能的进步为增强运动员决策提供了新的方法.
研究的目的:
- 开发一个人工智能驱动的战术决策模型,用于短轨速滑.
- 改善滑冰运动员的竞争性表现和生理健康分配.
- 为培训和分析创造一个科学模拟环境.
主要方法:
- 开发了一个科学模拟环境,用于短轨速滑.
- 改进了用于战术决策的双深Q网络 (DDQN) 模型.
- 整合了改进的奖励功能,并为AI代理人定义了四种不同的战术.
主要成果:
- 人工智能代理人在模拟环境中学习了最佳的战术决策.
- 证明有效提高竞争绩效. 证明有效提高竞争绩效.
- 展示了滑冰运动员改善的生理健康分配.
结论:
- 深度强化学习为短轨速滑运动的战术优化提供了有效的框架.
- 拟议的AI模型和模拟环境可以显著有利于运动员的训练和表现.
- 这种方法为传统培训方法提供了一个数据驱动的,高效的替代方案.


