Hvorfor boldsporing virker til tennis og cricket, men ikke fodbold eller basketball

Når det kommer til boldsport, er maskinsynsteknikker begyndt at revolutionere den måde, analytikere studerer spillet på, og hvordan dommere og dommere træffer beslutninger. I f.eks. cricket og tennis registrerer disse systemer rutinemæssigt boldbevægelser i tre dimensioner og genererer derefter en virtuel gentagelse, der viser præcis, hvor en bold rammer jorden og endda forudsiger dens fremtidige bane (for at afgøre, om den ville have ramt wicket, f.eks. eksempel).

Men denne form for boldsporing er især fraværende i andre boldsportsgrene, såsom basketball, volleyball, fodbold og så videre. I disse sportsgrene er bolden ofte skjult bag spillere, dens bevægelse er væsentlig anderledes, når den er i en spillers besiddelse sammenlignet med, når den flyver gennem luften, og spillernes interaktion med bolden kan være hurtig og uforudsigelig.

Disse faktorer, såvel som den lille størrelse af bolden i en ramme og den til tider lave kvalitet af videobilleder, gør boldsporing meget sværere i disse sportsgrene.

I dag skitserer Andrii Maksai og venner på Ecole Polytechnique Federale de Lausanne i Schweiz en ny måde at spore bolde på i disse sportsgrene, der udkonkurrerer andre avancerede tilgange.

De fleste boldsporingssystemer er afhængige af to forskellige tilgange. Den første ser ud til at følge boldens bevægelse i tre dimensioner og forudsiger derefter forskellige sandsynlige baner i fremtiden. Dette træ af mulige baner kan derefter beskæres, efterhånden som flere boldsporingsdata bliver tilgængelige.

Fordelen ved denne tilgang er, at fysikkens love er indbygget i baneforudsigelserne, så ufysiske løsninger kan undgås. Det er dog enormt følsomt over for kvaliteten af ​​boldsporingsdata og har derfor en tendens til at fejle, når bolden er okkluderet, eller når spillere interagerer med bolden på uforudsigelige måder.

En anden metode er at spore spillerne og notere, hvornår de er i besiddelse af bolden. Bevægelsen af ​​bolden antages derefter at følge spilleren, og når besiddelse overføres fra en spiller til en anden. Fordelen her er, at systemet ikke bliver så forvirret af hurtige eller uforudsigelige afleveringer – denne tilgang fungerer faktisk godt i basketball, hvor driblinger og okklusion kan gøre livet svært for boldsporere. Men uden fysik-baserede begrænsninger på boldens bevægelse, kan disse systemer producere unøjagtige spor.

Maksai og co er kommet med en oplagt løsning. De sporer både bolden og spillerne præcist. De bruger derefter en af ​​flere forskellige måder at løse boldsporingsproblemet på, der afhænger af, hvordan spillerne interagerer med bolden.

For eksempel følger et basketballskud mod kurven en ballistisk bane. Men en rullende bold følger en anden vej. Begge disse kræver forskellige boldsporingsløsninger til en spids i volleyball, som forårsager en skarp ændring i bane. Og en bold, der bliver driblet af en fodboldspiller, følger endnu en type uregelmæssig bane, der kræver en anden løsning. Vi modellerer eksplicit samspillet mellem bolden og spillerne samt de fysiske begrænsninger, bolden adlyder, når de er langt væk fra spillerne, siger Maksai og co.

Holdet har testet sin algoritme på en række videosekvenser af forskellige volleyball-, basketball- og fodboldkampe. Dataene kommer fra flere kameraer, der optager den samme handling fra forskellige vinkler for at skabe en 3D-model af, hvad der foregår. Dataene er dog langt fra perfekte med mange tilfælde af okklusion, uforudsigelige afleveringer og uregelmæssige baner.

Resultaterne viser nogle forbedringer af eksisterende teknikker. Vi viser, at vores tilgang er mere robust og mere præcis end adskillige state-of-the-art tilgange til virkelige volleyball-, basketball- og fodboldsekvenser, siger de.

Det er dog ikke perfekt. En afgørende præstationsmilepæl for disse systemer er evnen til at producere en virtuel gengivelse af en bolds bevægelse hurtigt og præcist nok til et tv-publikum.

Det er et svært spørgsmål, ikke mindst fordi dette nye system bliver bedre til at spore spillere, efterhånden som længden af ​​videosekvensen øges. Men dette øger behandlingstiden dramatisk.

Men større behandlingstid begrænser i høj grad systemets anvendelighed til live-udsendelser af sportsbegivenheder, når den virtuelle gentagelse skal være tilgængelig næsten med det samme.

Nøjagtigheden af ​​visse typer boldsporing - for eksempel ballistiske skud - bliver dog lettere på kortere sekvenser, da der er mindre uforudsigelighed. Så en form for optimeringsproces burde hjælpe her.

Med arbejde som dette kommer boldsporing i spil som fodbold, basketball og volleyball tættere på. Men det er endnu ikke hurtigt nok til at være kommercielt levedygtigt for en sportsudsender.

Det kan kræve en trinvis ændring i den måde, forskere griber dette problem an. En mulighed kunne være at anvende deep-learning-teknikker, hvor et AI-system lærer at forudsige fremtidig boldbevægelse ved at bruge sin indlærte viden om tidligere spil. Det kunne markant forenkle nogle af de opgaver, som boldsporing involverer.

Uanset hvad, der skal arbejdes mere her.

Ref: http://arxiv.org/abs/1511.06181 : Hvad spillere gør med bolden: En fysisk begrænset interaktionsmodellering

skjule