Algoritmalar Spor Takımlarının Hareketlerini %80 Doğrulukla Tahmin Ediyor

Özet: Yeni bir makine öğrenimi algoritması, voleybolcuların oyun içi hareketlerini %80 doğrulukla tahmin edebiliyor.

Kaynak: Cornell Üniversitesi

Cornell’in Akıllı Sistemler ve Kontroller Laboratuvarı’nda geliştirilen algoritmalar, voleybolcuların oyun içi eylemlerini %80’den fazla doğrulukla tahmin edebiliyor ve laboratuvar şimdi araştırma projesinin uygulamalarını genişletmek için Big Red hokey takımıyla işbirliği yapıyor.

Algoritmalar, görsel verileri (örneğin, bir sporcunun sahada bulunduğu yer) bir sporcunun takımdaki belirli rolü gibi daha örtük bilgilerle birleştirerek, eylem beklentisine bütünsel bir yaklaşım getirmeleri bakımından benzersizdir.

Araştırmayı yöneten John Brancaccio Mekanik ve Havacılık Mühendisliği Profesörü Silvia Ferrari, “Bilgisayar görüşü, forma rengi ve bir oyuncunun pozisyonu veya vücut duruşu gibi görsel bilgileri yorumlayabilir” dedi.

“Hala bu gerçek zamanlı bilgiyi kullanıyoruz, ancak takım stratejisi ve oyuncu rolleri gibi gizli değişkenleri, insanlar olarak çıkarabildiğimiz şeyleri entegre ediyoruz çünkü o belirli bağlamda uzmanız.”

Ferrari ve doktora öğrencileri Junyi Dong ve Qingze Huo, algoritmaları, insanların spor bilgilerini oyun izleyerek kazandıkları şekilde gizli değişkenleri çıkarması için eğitti. Algoritmalar, voleybol oyunlarının videolarından veri çıkarmak için makine öğrenimini kullandı ve ardından bu verileri yeni bir oyun seti gösterildiğinde tahminler yapmaya yardımcı olmak için kullandı.

Sonuçlar 22 Eylül’de dergide yayınlandı. Akıllı Sistemler ve Teknoloji Üzerine ACM İşlemleri, ve algoritmaların oyuncuların rollerini – örneğin, bir defans oyuncusunu bir engelleyiciden ayırt etme – ortalama yaklaşık % 85’lik bir doğrulukla çıkarabildiğini ve ortalama doğrulukla 44 kareye kadar bir dizi üzerinde birden fazla eylemi tahmin edebildiğini gösterir. %80’den fazla. Eylemler arasında sivri uçma, ayarlama, engelleme, kazma, koşma, çömelme, düşme, ayakta durma ve zıplama yer aldı.

Ferrari, takımları bir rakibin mevcut oyun görüntüleri ile eğiterek ve belirli oyunları ve oyun senaryolarını uygulamak için tahmin yeteneklerini kullanarak rekabete daha iyi hazırlanmak için algoritmaları kullanmayı öngörüyor.

Ferrari bir patent başvurusunda bulundu ve şu anda yazılımı daha da geliştirmek için Big Red erkek hokey takımıyla birlikte çalışıyor. Ekip tarafından sağlanan oyun görüntülerini kullanarak, Ferrari ve Frank Kim liderliğindeki lisansüstü öğrencileri, oyuncuları, eylemleri ve oyun senaryolarını özerk olarak tanımlayan algoritmalar tasarlıyor.

Projenin bir amacı, ekip personeli tarafından manuel olarak yapıldığında sıkıcı bir görev olan oyun filmine açıklama eklemeye yardımcı olmaktır.

Cornell erkek takımı hokey operasyonları direktörü Ben Russell, “Programımız video analizi ve veri teknolojisine büyük önem veriyor” dedi.

“Oyuncularımıza daha iyi hizmet verebilmek için sürekli olarak bir koçluk ekibi olarak gelişmenin yollarını arıyoruz. Profesör Ferrari ve öğrencilerinin şimdiye kadar yaptıkları araştırmalardan çok etkilendim. Bu projenin ekiplerin çalışma ve rekabete hazırlanma şeklini önemli ölçüde etkileme potansiyeline sahip olduğuna inanıyorum.”

Sporun ötesinde, insan eylemlerini tahmin etme yeteneği, insan-makine etkileşiminin geleceği için büyük bir potansiyel taşıyor, Ferrari’ye göre, geliştirilmiş yazılımın otonom araçların daha iyi kararlar almasına yardımcı olabileceğini, robotları ve insanları depolarda birbirine yaklaştırabileceğini ve hatta daha fazlasını yapabileceğini söyleyen Ferrari’ye göre. bilgisayarların yapay zekasını geliştirerek video oyunları daha eğlenceli hale getirir.

Kampüsler arası mühendislik araştırmaları için dekan yardımcısı olan Ferrari, “İnsanlar, makine öğrenimi algoritmalarının şu anda onları ortaya çıkardığı kadar tahmin edilemez değiller,” dedi, “çünkü gerçekten tüm içeriği hesaba katarsanız, hepsi Bağlamsal ipuçlarından yola çıkarak ve bir grup insanı gözlemlerseniz, onların ne yapacaklarını tahmin etmede çok daha iyisini yapabilirsiniz.”

Finansman: Araştırma, Deniz Araştırmaları Ofisi Kod 311 ve Kod 351 tarafından desteklendi ve ticarileştirme çabaları Cornell Teknoloji Lisanslama Ofisi tarafından destekleniyor.

Bu spor ve yapay zeka araştırma haberleri hakkında

Soyut

İnsan Takımlarında Rol Çıkarımı ve Eylem Öngörüsü İçin Bütünsel Bir Yaklaşım

İnsan eylemlerini tahmin etme yeteneği, robotlar ve otonom araçlar gibi birçok siber-fiziksel sistem için kritik öneme sahiptir.

Bugüne kadar bilgisayarla görme ve algılama algoritmaları, video ve nesne derinliği ve hareketi gibi fiziksel ölçümleri kullanarak renk, görünüm, eylemler, konumlar ve hızlar gibi sahnede belirgin olan görsel özellikleri çıkarmaya ve tahmin etmeye odaklanmıştır.

Bununla birlikte, insan eylemleri, bağlam, insan rolleri ve etkileşimleri, geçmiş deneyimler ve içsel hedefler veya niyetler gibi birçok örtük faktör tarafından özünde etkilenir ve motive edilir. Örneğin, bir spor takımında, takım stratejisi, oyuncu rolü ve rakiplerin davranışları tarafından yönlendirilen dinamik koşullar, her bir oyuncunun hareketlerini etkiler.

Bu makale, görsel özelliklerin yanı sıra sosyal roller ve alan bilgisi gibi gizli bilgileri dahil etmek için bütünsel bir çerçeve önermektedir.

Yeni bir dinamik Markov rastgele alan (DMRF) modeline dayanan yaklaşım, anlık takım stratejisini ve ardından oyuncuların oyun boyunca geçici olarak gelişen rollerini çıkarır.

DMRF çıkarım aşamasından elde edilen sonuçlar daha sonra çok katmanlı bir algılayıcı (MLP) kullanarak bütünsel eylem tahmini gerçekleştirmek için bireysel eylemler ve konum gibi anlık görsel özelliklerle bütünleştirilir.

Yaklaşım, voleybolun takım sporunda, önce DMRF ve MLP’yi geçmiş videolarla çevrimdışı olarak eğiterek ve ardından bunları çevrimiçi olarak yeni voleybol videolarına uygulayarak gösterilmektedir.

Bu sonuçlar, yöntemin, oyuncuların rollerini ortalama %86,99 doğrulukla çıkarabildiğini ve %80,50 ortalama doğrulukla 46 kareye kadar bir dizi boyunca gelecekteki eylemleri öngörebildiğini göstermektedir. Ek olarak, yöntem, sırasıyla %14.57 ve %15.67’lik bir ortalama nispi hataya ulaşan her bir eylemin başlangıcını ve süresini tahmin eder.