211service.com
Por qué el seguimiento de la pelota funciona para el tenis y el críquet, pero no para el fútbol o el baloncesto
Cuando se trata de deportes de pelota, las técnicas de visión artificial han comenzado a revolucionar la forma en que los analistas estudian el juego y cómo los árbitros toman decisiones. En el cricket y el tenis, por ejemplo, estos sistemas registran rutinariamente el movimiento de la pelota en tres dimensiones y luego generan una repetición virtual que muestra exactamente dónde una pelota golpea el suelo e incluso predice su trayectoria futura (para determinar si habría golpeado el portillo, por ejemplo). ejemplo).
Pero este tipo de seguimiento de la pelota está notablemente ausente en otros deportes de pelota, como el baloncesto, el voleibol, el fútbol, etc. En estos deportes, la pelota a menudo está oculta detrás de los jugadores, su movimiento es significativamente diferente cuando está en posesión de un jugador en comparación con cuando está volando por el aire, y las interacciones de los jugadores con la pelota pueden ser rápidas e impredecibles.
Estos factores, además del pequeño tamaño de la pelota en un marco y la calidad a veces baja de las imágenes de video, hacen que el seguimiento de la pelota sea mucho más difícil en estos deportes.
Hoy, Andrii Maksai y sus amigos de la Ecole Polytechnique Federale de Lausanne en Suiza describen una nueva forma de rastrear balones en estos deportes que supera a otros enfoques de vanguardia.
La mayoría de los sistemas de seguimiento de bolas se basan en dos enfoques diferentes. El primero busca seguir el movimiento de la pelota en tres dimensiones y luego predice varias trayectorias probables en el futuro. Este árbol de posibles trayectorias se puede podar a medida que se disponga de más datos de seguimiento de bolas.
La ventaja de este enfoque es que las leyes de la física están integradas en las predicciones de trayectoria, por lo que se pueden evitar soluciones no físicas. Sin embargo, es muy sensible a la calidad de los datos de seguimiento del balón y, por lo tanto, tiende a fallar cuando el balón está ocluido o cuando los jugadores interactúan con el balón de manera impredecible.
Otro método es rastrear a los jugadores y observar cuándo están en posesión del balón. Se asume entonces que el movimiento de la pelota sigue al jugador y cuando la posesión se transfiere de un jugador a otro. La ventaja aquí es que el sistema no se confunde tanto con los pases rápidos o impredecibles; de hecho, este enfoque funciona bien en el baloncesto, donde el regate y la oclusión pueden dificultar la vida de los rastreadores de balón. Sin embargo, sin restricciones basadas en la física sobre el movimiento de la pelota, estos sistemas pueden producir trayectorias inexactas.
Maksai y compañía han encontrado una solución obvia. Realizan un seguimiento preciso tanto de la pelota como de los jugadores. Luego usan una de varias formas diferentes de resolver el problema del seguimiento de la pelota que depende de cómo interactúan los jugadores con la pelota.
Por ejemplo, un tiro de baloncesto hacia la canasta sigue una trayectoria balística. Pero una bola rodante sigue un camino diferente. Ambos requieren diferentes soluciones de seguimiento de la pelota para un remate en el voleibol que provoca un cambio brusco en la trayectoria. Y un balón botado por un jugador de fútbol sigue otro tipo de trayectoria irregular, que requiere otra solución. Modelamos explícitamente la interacción entre la pelota y los jugadores, así como las restricciones físicas que obedece la pelota cuando está lejos de los jugadores, dicen Maksai y compañía.
El equipo ha probado su algoritmo en varias secuencias de video de varios juegos de voleibol, baloncesto y fútbol. Los datos provienen de varias cámaras que registran la misma acción desde diferentes ángulos para crear un modelo tridimensional de lo que sucede. Sin embargo, los datos están lejos de ser perfectos con muchos casos de oclusión, pases impredecibles y trayectorias irregulares.
Los resultados muestran cierta mejora de las técnicas existentes. Demostramos que nuestro enfoque es más robusto y más preciso que varios enfoques de última generación en secuencias de voleibol, baloncesto y fútbol de la vida real, dicen.
Sin embargo, no es perfecto. Un hito de rendimiento crucial para estos sistemas es la capacidad de producir una repetición virtual del movimiento de una pelota con la suficiente rapidez y precisión para una audiencia televisiva.
Esa es una pregunta difícil, sobre todo porque este nuevo sistema mejora el seguimiento de los jugadores a medida que aumenta la duración de la secuencia de video. Pero esto aumenta drásticamente el tiempo de procesamiento.
Pero un mayor tiempo de procesamiento limita severamente la utilidad del sistema para transmisiones en vivo de eventos deportivos cuando la repetición virtual debe estar disponible casi de inmediato.
Sin embargo, la precisión de ciertos tipos de seguimiento de la pelota (disparos balísticos, por ejemplo) se vuelve más fácil en secuencias más cortas ya que hay menos imprevisibilidad. Entonces, algún tipo de proceso de optimización debería ayudar aquí.
Con un trabajo como este, el seguimiento de la pelota en juegos como el fútbol, el baloncesto y el voleibol está cada vez más cerca. Pero aún no es lo suficientemente rápido como para ser comercialmente viable para una emisora de deportes.
Eso puede requerir un cambio radical en la forma en que los investigadores abordan este problema. Una posibilidad podría ser emplear técnicas de aprendizaje profundo, donde un sistema de IA aprende a predecir el movimiento futuro de la pelota utilizando su conocimiento aprendido de juegos anteriores. Eso podría simplificar significativamente algunas de las tareas que implica el seguimiento de la pelota.
De cualquier manera, todavía hay más trabajo por hacer aquí.
Ref: http://arxiv.org/abs/1511.06181 : Qué hacen los jugadores con la pelota: un modelo de interacción físicamente restringida