Varför bollspårning fungerar för tennis och cricket men inte fotboll eller basket

När det kommer till bollsporter har maskinseendetekniker börjat revolutionera hur analytiker studerar spelet och hur domare och domare fattar beslut. I cricket och tennis, till exempel, registrerar dessa system rutinmässigt bollrörelser i tre dimensioner och genererar sedan en virtuell repris som visar exakt var en boll träffade marken och till och med förutsäger dess framtida bana (för att avgöra om den skulle ha träffat wicket, t.ex. exempel).

Men den här typen av bollspårning saknas särskilt i andra bollsporter, som basket, volleyboll, fotboll och så vidare. I dessa sporter är bollen ofta gömd bakom spelarna, dess rörelse är väsentligt annorlunda när den är i en spelares besittning jämfört med när den flyger genom luften, och spelarnas interaktioner med bollen kan vara snabba och oförutsägbara.

Dessa faktorer, liksom den lilla storleken på bollen i en ram och den ibland låga kvaliteten på videobilder, gör bollspårning mycket svårare i dessa sporter.

Idag skisserar Andrii Maksai och kompisar vid Ecole Polytechnique Federale de Lausanne i Schweiz ett nytt sätt att spåra bollar i dessa sporter som överträffar andra toppmoderna metoder.

De flesta bollspårningssystem bygger på två olika tillvägagångssätt. Den första ser ut att följa bollens rörelse i tre dimensioner och förutsäger sedan olika troliga banor i framtiden. Detta träd med möjliga banor kan sedan beskäras när mer bollspårningsdata blir tillgänglig.

Fördelen med detta tillvägagångssätt är att fysikens lagar är inbyggda i banförutsägelserna så att opysiska lösningar kan undvikas. Det är dock oerhört känsligt för kvaliteten på bollspårningsdata och tenderar därför att misslyckas när bollen är blockerad eller när spelare interagerar med bollen på oförutsägbara sätt.

En annan metod är att spåra spelarna och notera när de är i besittning av bollen. Bollens rörelse antas sedan följa spelaren och när besittning övergår från en spelare till en annan. Fördelen här är att systemet inte blir så förvirrat av snabba eller oförutsägbara passningar – det här tillvägagångssättet fungerar faktiskt bra i basket, där dribblingar och ocklusion kan göra livet svårt för bollspårare. Men utan fysikbaserade begränsningar för bollens rörelse kan dessa system producera felaktiga spår.

Maksai och co har kommit på en självklar lösning. De spårar både bollen och spelarna exakt. De använder sedan ett av flera olika sätt att lösa bollspårningsproblemet som beror på hur spelarna interagerar med bollen.

Till exempel följer ett basketskott mot korgen en ballistisk bana. Men en rullande boll följer en annan väg. Båda dessa kräver olika bollspårningslösningar till en spik i volleyboll som orsakar en kraftig förändring i banan. Och en boll som dribblas av en fotbollsspelare följer ytterligare en annan typ av oregelbunden bana, som kräver en annan lösning. Vi modellerar uttryckligen interaktionen mellan bollen och spelarna samt de fysiska begränsningar bollen lyder när den är långt borta från spelarna, säger Maksai och co.

Laget har testat sin algoritm på ett antal videosekvenser av olika volleyboll-, basket- och fotbollsspel. Data kommer från flera kameror som registrerar samma åtgärd från olika vinklar för att skapa en 3D-modell av vad som händer. Datan är dock långt ifrån perfekt med många fall av ocklusion, oförutsägbara passningar och oregelbundna banor.

Resultaten visar vissa förbättringar av befintliga tekniker. Vi visar att vårt tillvägagångssätt är mer robust och mer exakt än flera toppmoderna metoder för verkliga volleyboll-, basket- och fotbollssekvenser, säger de.

Det är dock inte perfekt. En avgörande milstolpe i prestanda för dessa system är förmågan att producera en virtuell repris av en bolls rörelse snabbt och tillräckligt exakt för en TV-publik.

Det är en svår fråga, inte minst eftersom det här nya systemet blir bättre på att spåra spelare när längden på videosekvensen ökar. Men detta ökar bearbetningstiden dramatiskt.

Men längre behandlingstid begränsar kraftigt systemets användbarhet för livesändningar av sportevenemang när den virtuella reprisen måste vara tillgänglig nästan omedelbart.

Noggrannheten hos vissa typer av bollspårning – till exempel ballistiska skott – blir dock lättare på kortare sekvenser eftersom det är mindre oförutsägbarhet. Så någon form av optimeringsprocess borde hjälpa här.

Med arbete som detta kommer bollspårning i spel som fotboll, basket och volleyboll allt närmare. Men det är ännu inte tillräckligt snabbt för att vara kommersiellt gångbart för en sportbolag.

Det kan kräva en stegvis förändring av forskarnas sätt att närma sig detta problem. En möjlighet kan vara att använda djupinlärningstekniker, där ett AI-system lär sig att förutsäga framtida bollrörelser med hjälp av sina inlärda kunskaper om tidigare spel. Det kan avsevärt förenkla vissa av de uppgifter som bollspårning innebär.

Hur som helst, ännu mer arbete återstår här.

Ref: http://arxiv.org/abs/1511.06181 : Vad spelare gör med bollen: En fysiskt begränsad interaktionsmodellering

Dölj