Algoritme forudsiger det næste skud i tennis

QUT-forskere har udviklet en algoritme, der kan forudsige, hvor en tennisspiller vil ramme den næste bold ved at analysere Australian Open-data fra tusindvis af skud fra de bedste mandlige tennisspillere.

Dr. Simon Denman, en seniorforsker med talen, lyd, Billed- og videoteknologilaboratorium, sagde forskningen i Novak Djokovics kampspil, Rafael Nadal og Roger Federer kan føre til nye måder for professionelle tennisspillere til at forudsige deres modstanders træk eller virtual reality-spil, der giver mulighed for at gå head-to-head med verdens bedste spillere i en præcis, men kunstig grand slam.

Dr. Denman er en del af et hold af QUT-forskere, herunder ph.d. studerende Tharindu Fernando, Professor Sridha Sridharan og professor Clinton Fookes, alt fra Vision and Signal Processing Disciplin på QUT, som skabte algoritmen til at forudsige det næste skud i tennis ved hjælp af Hawk-Eye-data fra 2012 Australian Tennis Open, leveret af Tennis Australia.

Forskerne indsnævrede deres fokus for kun at studere skudvalget af Djokovic, Nadal og Federer, fordi de havde de komplette data til at indtaste i systemet om, hvordan spillernes skudvalg ændrede sig, efterhånden som turneringen skred frem.

Forskerne analyserede mere end 3400 skud for Djokovic, næsten 3500 skud til Nadal og næsten 1900 skud af Federer, tilføje kontekst for hvert skud, såsom om det var en retur, en vinder eller en fejl.

"Efter omkring 1000 skud, modellen har en ret god idé om, hvad der foregår, " sagde Dr. Denman.

"Det kræver omkring tre kampe at finde ud af en spillers stil. Når først den har fået de tre kampe, er den ret solid."

Dr. Denman sagde, at algoritmen efterlignede hjernerne hos topspillerne, som allerede forsøgte at forudsige deres modstanders næste skud. Mens det kunstige intelligente system viste sig at være vellykket, dens største udfordring var uforudsigeligheden af ​​spilleren den største nogensinde.

"Vi havde en analyse af, hvor præcis det er for de tre topspillere – Djokovic, Nadal og Federer, " sagde Dr. Denman.

"Og det var mindst præcist for Federer, hvem er måske den mest alsidige. Det kæmpede mest at forudsige ham. Han kan alt, så modellen tog oftere fejl om ham.

"I betragtning af hvor svært Federers spil er at forudsige, det tilføjer bare æren for en som Stefanos Tsitsipas, der klarede en sejr mod Federer i Australian Open i weekenden."

Maskinlæringssystemet, kaldet en Semi Supervised Generative Adversarial Network-arkitektur, tager højde for, hvornår der i kampen spilles et point, fordi det skudvalg, en spiller kan lave 40-love up servering til første sæt, er meget anderledes end det skud, de kan slå, og som kæmper for at blive i kampen dybt ind i femte sæt.

Systemet kan forudsige omkring 1000 skud på 30 sekunder.

"Vi træner modellen i rækkefølge, så den ser skuddet fra første runde, til anden runde og tredje runde – så det bygger på oplevelser, som et menneske gør, " sagde Dr. Denman.

"Vi forsøger at efterligne, hvad vi tror, ​​hvad tennisspillerens hjerne kan gøre."

At lære systemet at tænke som en spiller, forskerne skaber to former for hukommelse og en måde, hvorpå de kan interagere med at træffe en beslutning. "Der er episodisk hukommelse og der er semantisk hukommelse, " sagde Dr. Denman.

"Episodisk hukommelse er faktisk individuelle erindringer. Det er at kunne gå tilbage og huske hvert enkelt slag, og hvad der skete.

"Semantisk hukommelse er meget mere abstrakt. Det er den overordnede læring, der kom fra mange, mange, mange tilfælde af den episodiske hukommelse.

"Så arbejder de to minder sammen givet en input-stimulus. De trækker hver især noget relevant ud fra deres egne minder og bruger det til at hjælpe med at forstærke forudsigelsen af, hvad der kommer til at ske.

"Den episodiske hukommelse kan se på inputtet og sige 'Jeg har set sådanne billeder her, her og her – her er noget brugbart«. Den semantiske hukommelse siger 'vi bør slå den over til den del af banen, fordi det er en god taktik'.

"Det er så med til at styre outputgenereringen."

Dr. Denman sagde, at han tror, ​​at spillere på topniveau om mindre end ti år vil være i stand til at bruge denne form for teknik til at studere en kommende modstanders spil.

"Når du har fået hele modellen oplært, du kan bare indlæse vilkårlige prøver, og du kan begynde at se på forskellige matchscenarier, " han sagde.

Systemet, givet data om en bestemt spiller, kunne forudsige, hvordan den spiller ville ramme bolden på break point, hvis en server gik enten ned af linjen eller ud bredt. Det kan også forudsige sandsynligheden for, at en bestemt spiller vil forsøge at slå en modstander på nettet ved at slå et lob eller et afleveringsskud – og hvordan dette skudvalg kan ændre sig på forskellige stadier af en kamp.

QUT-forskerne har lavet lignende baneundersøgelser, der forudsiger sandsynlige resultater på områder så forskellige som hvordan piloter flyver deres fly til de ruter, fodgængere sandsynligvis ville gå rundt i deres nabolag. Denne forskning, der forudsiger det næste skudsted i tennis, er i øjeblikket under peer review til offentliggørelse.

Dr. Denman sagde, at tennis var særligt velegnet til denne type baneforskning, givet begrænsningerne af banens størrelse og spillereglerne.

"Dette eksempel her er en enkelt bane med bolden, men der er ingen grund til, at disse teknikker ikke kunne anvendes til holdsport som fodbold, hvor du sporer alle sangere fra begge sider, " sagde Dr. Denman.

"Sport er godt i den forstand til enhver form for maskinlæringsproblem, fordi du har alle disse begrænsninger og regler for, hvad der kan ske, som kan forenkle nogle problemer sammenlignet med andre domæner."