Dlaczego śledzenie piłki działa w tenisie i krykiecie, ale nie w piłce nożnej czy koszykówce

Jeśli chodzi o sporty z piłką, techniki widzenia maszynowego zaczęły rewolucjonizować sposób, w jaki analitycy badają grę oraz podejmowanie decyzji przez sędziów i sędziów. Na przykład w krykiecie i tenisie systemy te rutynowo rejestrują ruch piłki w trzech wymiarach, a następnie generują wirtualną powtórkę, która pokazuje dokładnie, gdzie piłka uderzyła o ziemię, a nawet przewiduje jej przyszłą trajektorię (aby ustalić, czy uderzyłaby w furtkę, na przykład przykład).

Ale ten rodzaj śledzenia piłki jest szczególnie nieobecny w innych sportach związanych z piłką, takich jak koszykówka, siatkówka, piłka nożna i tak dalej. W tych sportach piłka jest często niewidoczna za zawodnikami, jej ruch jest znacząco inny, gdy jest w posiadaniu gracza, niż podczas lotu w powietrzu, a interakcje zawodników z piłką mogą być szybkie i nieprzewidywalne.

Te czynniki, a także mały rozmiar piłki w kadrze i czasami niska jakość obrazu wideo, znacznie utrudniają śledzenie piłki w tych dyscyplinach sportowych.

Dzisiaj Andrii Maksai i koledzy z Ecole Polytechnique Federale de Lausanne w Szwajcarii przedstawiają nowy sposób śledzenia piłek w tych sportach, który przewyższa inne najnowocześniejsze podejścia.

Większość systemów śledzenia piłki opiera się na dwóch różnych podejściach. Pierwsza polega na śledzeniu ruchu piłki w trzech wymiarach, a następnie przewiduje różne prawdopodobne trajektorie w przyszłości. To drzewo możliwych trajektorii można następnie przyciąć, gdy dostępnych będzie więcej danych dotyczących śledzenia piłki.

Zaletą tego podejścia jest to, że prawa fizyki są wbudowane w przewidywania trajektorii, dzięki czemu można uniknąć niefizycznych rozwiązań. Jest jednak niezwykle wrażliwy na jakość danych śledzenia piłki i dlatego zwykle zawodzi, gdy piłka jest zablokowana lub gdy gracze wchodzą w interakcje z piłką w nieprzewidywalny sposób.

Inną metodą jest śledzenie graczy i notowanie, kiedy są w posiadaniu piłki. Zakłada się wówczas, że ruch piłki podąża za zawodnikiem i gdy posiadanie przechodzi z jednego zawodnika na drugiego. Zaletą jest to, że system nie jest tak zdezorientowany szybkimi lub nieprzewidywalnymi podaniami — w rzeczywistości takie podejście sprawdza się w koszykówce, gdzie drybling i okluzja mogą utrudniać życie tropicielom piłki. Jednak bez ograniczeń fizycznych dotyczących ruchu piłki, systemy te mogą tworzyć niedokładne tory.

Maksai i spółka wymyślili oczywiste rozwiązanie. Dokładnie śledzą zarówno piłkę, jak i zawodników. Następnie używają jednego z kilku różnych sposobów rozwiązania problemu śledzenia piłki, które zależą od tego, jak gracze wchodzą w interakcję z piłką.

Na przykład strzał do kosza koszykówki podąża trajektorią balistyczną. Ale tocząca się piłka podąża inną ścieżką. Oba te rozwiązania wymagają innych rozwiązań śledzenia piłki niż szpic w siatkówce, który powoduje gwałtowną zmianę trajektorii. Piłka dryblowana przez piłkarza porusza się po jeszcze innym nieregularnym torze, wymagającym innego rozwiązania. Wyraźnie modelujemy interakcję między piłką a graczami, a także fizyczne ograniczenia, jakie piłka spełnia, gdy znajduje się daleko od graczy, powiedzmy Maksai i spółka.

Zespół przetestował swój algorytm na wielu sekwencjach wideo z różnych gier w siatkówkę, koszykówkę i piłkę nożną. Dane pochodzą z kilku kamer, które rejestrują tę samą akcję pod różnymi kątami, aby stworzyć trójwymiarowy model tego, co się dzieje. Jednak dane są dalekie od doskonałości w wielu przypadkach okluzji, nieprzewidywalnych przejść i nieregularnych trajektorii.

Wyniki pokazują pewną poprawę istniejących technik. Pokazujemy, że nasze podejście jest bardziej solidne i dokładniejsze niż kilka najnowocześniejszych podejść do rzeczywistych sekwencji siatkówki, koszykówki i piłki nożnej.

Nie jest jednak idealnie. Kluczowym kamieniem milowym wydajności tych systemów jest zdolność do szybkiego i dokładnego odtwarzania wirtualnej powtórki ruchu piłki dla widzów telewizyjnych.

To trudne zadanie, nie tylko dlatego, że ten nowy system staje się lepszy w śledzeniu graczy wraz ze wzrostem długości sekwencji wideo. Ale to znacznie wydłuża czas przetwarzania.

Jednak dłuższy czas przetwarzania poważnie ogranicza użyteczność systemu do transmisji wydarzeń sportowych na żywo, gdy wirtualna powtórka musi być dostępna niemal natychmiast.

Jednak dokładność niektórych rodzajów śledzenia piłki – na przykład strzałów balistycznych – staje się łatwiejsza w przypadku krótszych sekwencji, ponieważ jest mniej nieprzewidywalności. Więc jakiś proces optymalizacji powinien tu pomóc.

Dzięki takim działaniom śledzenie piłki w grach takich jak piłka nożna, koszykówka i siatkówka jest coraz bliższe. Ale nie jest jeszcze wystarczająco szybki, aby być opłacalnym komercyjnie dla nadawcy sportowego.

Może to wymagać radykalnej zmiany w sposobie podejścia naukowców do tego problemu. Jedną z możliwości może być zastosowanie technik głębokiego uczenia się, w których system sztucznej inteligencji uczy się przewidywać przyszły ruch piłki, korzystając z wyuczonej wiedzy o poprzednich grach. Mogłoby to znacznie uprościć niektóre zadania związane ze śledzeniem piłki.

Tak czy inaczej, jeszcze więcej pracy do zrobienia.

Nr ref.: http://arxiv.org/abs/1511.06181 : Co gracze robią z piłką: modelowanie fizycznie ograniczonej interakcji

ukryć