Algorithmer forudsiger sportsholds træk med 80 % nøjagtighed

Algoritmer udviklet i Cornell's Laboratory for Intelligent Systems and Controls kan forudsige volleyballspilleres handlinger i spillet med mere end 80 % nøjagtighed, og nu samarbejder laboratoriet med Big Red-hockeyholdet om at udvide forskningsprojektets applikationer.

Algoritmerne er unikke ved, at de har en holistisk tilgang til handlingsforegribelse, idet de kombinerer visuelle data – for eksempel hvor en atlet befinder sig på banen – med information, der er mere implicit, som en atlets specifikke rolle på holdet.

"Computersyn kan fortolke visuel information såsom trøjefarve og en spillers position eller kropsholdning," sagde Silvia Ferrari, John Brancaccio-professor i mekanik og rumfartsteknik, som ledede forskningen. "Vi bruger stadig denne information i realtid, men integrerer skjulte variabler såsom holdstrategi og spillerroller, ting vi som mennesker er i stand til at udlede, fordi vi er eksperter i den særlige kontekst."

Ferrari og ph.d.-studerende Junyi Dong og Qingze Huo trænede algoritmerne til at udlede skjulte variabler på samme måde som mennesker får deres sportsviden – ved at se spil. Algoritmerne brugte maskinlæring til at udtrække data fra videoer af volleyballspil og brugte derefter disse data til at hjælpe med at lave forudsigelser, når de blev vist et nyt sæt spil.

Resultaterne blev offentliggjort 22. september i tidsskriftet ACM Transactions on Intelligent Systems and Technology , og viser, at algoritmerne kan udlede spillernes roller - for eksempel at skelne en forsvarspasser fra en blokerer - med en gennemsnitlig nøjagtighed på næsten 85 % og kan forudsige flere handlinger over en sekvens på op til 44 billeder med en gennemsnitlig nøjagtighed på mere end 80 %. Handlingerne omfattede spike, sætte, blokere, grave, løbe, sidde på hug, falde, stå og hoppe.

Ferrari forestiller sig, at hold bruger algoritmerne til bedre at forberede sig til konkurrence ved at træne dem med eksisterende spiloptagelser af en modstander og bruge deres forudsigelsesevner til at øve specifikke spil og spilscenarier.

Ferrari har søgt patent og arbejder nu sammen med Big Red herrehockeyholdet for at videreudvikle softwaren. Ved at bruge spiloptagelser leveret af holdet, designer Ferrari og hendes kandidatstuderende, ledet af Frank Kim, algoritmer, der selvstændigt identificerer spillere, handlinger og spilscenarier. Et mål med projektet er at hjælpe med at kommentere spilfilm, hvilket er en kedelig opgave, når det udføres manuelt af teamets medarbejdere.

"Vores program lægger stor vægt på videoanalyse og datateknologi," sagde Ben Russell, direktør for hockeydrift for Cornell-mandsholdet. "Vi leder konstant efter måder at udvikle os som trænerteam for bedre at kunne tjene vores spillere. Jeg var meget imponeret over den forskning, professor Ferrari og hendes studerende har udført indtil nu. Jeg tror på, at dette projekt har potentialet til dramatisk at påvirke måde hold studerer og forbereder sig til konkurrence."

Ud over sport rummer evnen til at forudse menneskelige handlinger et stort potentiale for fremtiden for menneske-maskine-interaktion, ifølge Ferrari, som sagde, at forbedret software kan hjælpe autonome køretøjer med at træffe bedre beslutninger, bringe robotter og mennesker tættere på hinanden i varehuse og endda kan tage videospil mere underholdende ved at forbedre computerens kunstige intelligens.

"Mennesker er ikke så uforudsigelige, som maskinlæringsalgoritmerne gør dem til at være lige nu," sagde Ferrari, som også er associeret dekan for ingeniørforskning på tværs af campus, "fordi hvis du faktisk tager alt indholdet i betragtning, alt af de kontekstuelle spor, og du observerer en gruppe mennesker, kan du gøre det meget bedre til at forudsige, hvad de vil gøre." + Udforsk yderligere

Ingeniører spiser af Ms. Pac-Man-score med kunstig spiller