在团队体育运动中，多智能体轨迹生成是一个复杂且关键的挑战，它不仅要求模型能够捕捉到多种可能的战术变化，还要确保球员之间在空间上的协调性。然而，传统的生成方法，如条件变分自编码器（CVAE）和扩散模型，在这方面往往表现不佳，容易出现后验崩溃或收敛到数据集均值的问题。
此外，大多数现有的轨迹预测方法都依赖于多帧历史观察数据进行预测，这极大地限制了它们在战术设计中的应用场景，因为在实际战术规划中，我们通常只能获得初始阵型。
为了解决这些难题，研究团队推出了PlayGen-MoG框架，一个可扩展的、基于初始阵型条件的多智能体战术生成方案。PlayGen-MoG通过以下三大设计选择应对挑战：
- **混合高斯（MoG）输出头：** 采用跨所有智能体共享的混合权重，通过单一的权重集来选择一个能耦合所有球员轨迹的战术情景，从而生成多样化的战术。
- **相对空间注意力机制：** 将球员间的成对位置和距离编码为学习到的注意力偏差，有效捕捉球员间的空间关系。
- **非自回归预测：** 直接预测球员相对于初始阵型的绝对位移。这种方法消除了累积误差漂移，并摆脱了对历史轨迹观察的依赖，使得仅凭一个静态初始阵型就能生成逼真的战术。
在对美式足球追踪数据的测试中，PlayGen-MoG展现了卓越的性能。它实现了1.68码的平均位移误差（ADE）和3.98码的最终位移误差（FDE），同时充分利用了全部8个混合成分，熵值达到2.08中的2.06，这定性地证实了该框架在不发生模式崩溃的情况下，能够生成高度多样化的战术。