مقالات مربوط به مهارت های فردی عامل - Artificial Intelligence

**Astaraki** · ۰۴-۱۳-۱۳۸۹, ۱۰:۱۶ بعد از ظهر

مقاله ای در رابطه با نوعی پاس، با استفاده از Q-Learning

**Astaraki** · ۰۴-۱۳-۱۳۸۹, ۱۰:۲۵ بعد از ظهر

مقاله ای در رابطه با مهارت شوت که توسط تیم ربوسینا منتشر شده است

**Astaraki** · ۰۴-۱۴-۱۳۸۹, ۰۱:۳۷ بعد از ظهر

مقاله ای در رابطه با بالا بردن سطح ( improve ) سطح kick و موقعیت یابی برای عامل به وسیله ی الگوریتم های fuzzy

**Astaraki** · ۰۴-۱۴-۱۳۸۹, ۰۱:۴۴ بعد از ظهر

مقاله ای در رابطه با prediction

**Astaraki** · ۰۴-۱۴-۱۳۸۹, ۰۱:۵۴ بعد از ظهر

مقاله ای در رابطه با مهارت پاس

**Astaraki** · ۰۴-۱۴-۱۳۸۹, ۰۱:۵۵ بعد از ظهر

الگوریتم پاس - قسمت اول ( Pass Algorithm - Part 1 )

در زندگی واقعی و فوتبال رباتیک دو بعدی بازیکن در زمانیکه توپ قابل شوت کردن است بازیکن چند راه دارد :شوت به سمت دروازه حرف - پاس به هم تیمی - دریبل - نگه داشتن توپ و دور کردن توپ و ... انتخاب کردن هر یک از اعمال فردی برای بازیکن کار سختی است و این امر وضعیت یک تیم فوتبال را بحرانی میکند که بازیکنان توپ را به چه صورت در زمین فوتبال بگذرانند و با توپ چه عملی را اجرا کنند که من در مورد پارامتر های انتخاب پاس ( زمان - بازیکن مورد پاس - نوع پاس و ... ) به عنوان عمل توسط بازیکن خودی رو توضیح خواهم داد . در اوایل محققان روبوکاپ مختصات عمده ای از پاس دادن توپ را شناسایی و توسعه دادند و به عنوان یک الگوریتم شبیه سازی فوتبال برگزیده شد و در مسابقات روبوکاپ بسیار موفقیت آمیز بود .
این الگوریتم و روش برای بهبود بیشتر پاس میباشد و واقعا حائز اهمیت می باشد :

1 - نتایج پیش بینی از عمل پاس : یعنی ارزشیابی اکتشافی با استفاده از دو شاخص : ارزشیابی نقطه پایانی که سریعترین بازیکن به توپ آن را قطع میکند . دیگری تخمین فازی و احتمالات برای پاس دادن بین دو بازیکن حریف و خودی سریع به توپ .
البته در این الگوریتم پیشنهاد شده فقط از دو نوع دریبل یعنی ( direct , leading pass ) استفاده بشه و با فرستادن توپ به هم تیمی از مسدود شدن توپ و از دست دادن آن جلوگیری میشه . در این روش ارزش تاکتیکی بهترین معیار برای انتخاب بهترین گزینه است .

احتمال موفقیت به عنوان یک محدودیت برای حذف جایگزین های فقیر استفاده می شود. اگر چه این روش به خوبی نشان داد که این به اندازه ای کافی بود برای ATT - CMUnited - 2000 که این تیم را به سومین مقام در سال 2000 در لیگ شبیه سازی شده فوتبال رساند .

در این الگوریتم خطرات و ریسک هایی هم وجود داره که میتونه پاس ما رو به مقصد نرسونه . و پارامتر دیگر هم انتخاب نقطه ای هست که بازیکن مورد پاس در کمترین زمان توپ را در آنجا قطع میکند و بازیکن حریف هم در راه توپ را قطع نمیکند البته این پارامتر برای leading pass مورد اهمیت هست که نقطه ای برای این نوع پاس باید انتخاب شود که بهترین ارزش تاکتیکی را داشته باشد که این ارزش های تاکتیکی از جمله قطع توپ و امن ترین نقطه است و در واقع این الگوریتم براین اساس مبتنی شده .

الگوریتم دوم در تیم FCPORTUGAL در مسابقات جهانی 2000 اجرا شده ودر آن فاکتورهای دیگری از جمله : فاصله تا بازیکن مورد پاس - ایجاد شدن موقعیت گل زنی و عواملی دیگری برای قطع شدن توپ توسط حریف در این الگوریتم رعایت شده . در این الگوریتم که موثر تر از الگوریتم اول بوده و دارای پیچیدگی زیادی است که در این الگوریتم برای4 گزینه ساخته و طراحی شده : pass Direct pass | Leading و پاس به بازیکن هم تیمی که در محدوده اون تراکم کم باشه و پاس در یک خط که تراکم در اطراف آن کم باشد .

هر الگوریتمی برای ارزیابی با شاخص هایی عمل میکند و به طور ساده تر یک درخت تصمیمی با توجه به واقعیت برای آن عمل و با در نظر گرفتن تمام شرایط مینویسیم . نکته اصلی توجه به فوتبال واقعی است که خیلی ماثر است .
هر تیمی هم برای الگوریتم پاس خود یه نوع درخت تصمیم با تمامی شرایط و ریسک ها را دارد که منونه آن را در مقاله ای از روبوسینا همه ما دیدیم .
در درخت های تصمیم ایجنت به این صورت عمل میکند که ابتدا یک عمل را در آن زمان برای انجام دادن انتخاب میکند و بعد الگوریتم آن عمل و شرایط آن عمل را چک میکند و به بهترین نحو آن عمل را انجام میدهد . تنها چیزی که میتواند یک درخت تصمیم را ضعیف کند توجه نکردن به چیز های ریز فوتبال واقعی و حتی فوتبال شبیه سازی است که از نکات ریز خوب در یک درخت صرف نظر کرد . در ادامه بیشتر از جزئیات و شرایط یک درخت تصمیم برای پاس می پردازیم .

+ مسائل حل نشده و اهداف تحقیقات

این ها سه تا از موضوعاتی و نکاتی است که باید قبل از شروع اون ها رو بدونین :
1 - تاکنون هر دو الگوریتم از یک نقطه مشترکی برخوردار بودند به طوری که الگوریتم دوم پیچیده تر بوده اما کدام بهتر و کدام یک بیشتر بهبود و از لحاظ ارزش های تاکتیکی بالا می باشد .

2 - پاداش ریسک کردن : ما میدانیم در هر دو الگوریتم مدل سازی ریسک کردن برای بازیکن و اجرای توانایی ریسک کردن در استراتژی یک بازی فوتبال ویژگی مطلوبی است و نکته حائز اهمیت این است که ریسک کردن در پاس برای پاس دادن به بازیکن خودی که در نزدیکی ماست باید اجتناب کرد البته در الگوریتم های قطع توپ کنونی برای ریسک ها تا به حال تیمی برنامه ای نداشته که از این ریسک ها جلوگیری کند و این امر فرح بخش است .

3 - اجتناب از درگیری ها احتمالی با محدودیت زمانی : محاسبات الگوریتم های پاس بسیار فشرده است و تاکنون محققان روبوکاپ در حال کاهش این محاسبات به حد معقول هستند . البته با کاهش میزان مورد نیاز این محاسبات ممکن است این کار شما به هزینه ضعیف شدن پاس شما تمام شود مانند حذف کردن شرط یا قسمتی از درخت تصمیم خود .

تیم ما هم تاکنون موفق به انجام الگوریتم ها بالا با توجه به نکات شده است و در حال حاضر مشغول حل و فصل این مسائل است و در واقع تصمیم گیری برای این اعمال با توجه به تصمیم گیری علوم فنی معیار تجزیه و تحلیل انجام میشود و ما هم در حال پیگیری اهداف خود به شرح زیر هستیم :

1 - توسعه چارچوب نظری برای دفع توپ واقعا مطلوب است که این الگوریتم استفاده از تمام پتانسل ایجنت است که می تواند محک خوبی برای ایجنت در تمام لیگ های رباتیک باشد که این را ه حل عمومی و قابل استفاده است . قصد ما مشورت کردن و بحث با تمام محققان و کسانی که در همین ایران در تمام رشته ها رباتیک فعالیت دارند در مورد این امر عمومی یعنی توسع چارچوب نظری برای دفع توپ است .
2 - به طور کامل شناسایی پاداش ، خطرات ، ریسک ها و هزینه های درگیر در انتقال توپ و نشان دادن چگونگی آنها می توانند در چارچوب پیشنهاد شده ( 1 ) متوازن شود. به طور خاص ، ما مایل به پیشنهاد راه آسان برای اجرای یک طیف پیوسته از رفتارهای توسط بازیکن فوتبال هستیم .ما همچنین می خواهیم که تصمیماتی در مورد عبور توپ از ایجنت به هم تیمی با توجه به رسیک گریزی ها و کنترل تعادل بین خطرات پاس و تمامی پارامتر ها نشان دهیم که این پارامتر ها باید به معنای روشن باشند .
3 - همه در پیاده سازی : ما میخواهیم یک راه حل عمومی که راه حل سریع برای هدایت و عبور توپ به هم تیمی و نقطه ی پایانی و قبل از آن یک دریبل برای به وجود آوردن شرایط مناسبتر است را پیشنهاد کنیم .
4 - پرداختن به محدودیت های زمان واقعی : ما می خواهیم برای پیشنهاد راه حل های واقعی فقط از یک پارامتر که تعیین کننده میزان محاسبات مورد نیاز است استفاده کنیم و دلیل آن یک پارامتر هم کاهش زمان محاسبات برای ایجنت است و شاید و نه شاید که درخت تصمیم ما ضیف یا قوی شود .