Wetenschap
Krediet:Cornell University
Algoritmen die zijn ontwikkeld in Cornell's Laboratory for Intelligent Systems and Controls kunnen de in-game acties van volleyballers voorspellen met een nauwkeurigheid van meer dan 80%, en nu werkt het lab samen met het Big Red-hockeyteam om de toepassingen van het onderzoeksproject uit te breiden.
De algoritmen zijn uniek omdat ze een holistische benadering hanteren van anticipatie op actie, waarbij visuele gegevens (bijvoorbeeld waar een atleet zich op het veld bevindt) worden gecombineerd met informatie die meer impliciet is, zoals de specifieke rol van een atleet in het team.
"Computervisie kan visuele informatie interpreteren, zoals de kleur van de trui en de positie of lichaamshouding van een speler", zegt Silvia Ferrari, de John Brancaccio Professor of Mechanical and Aerospace Engineering, die het onderzoek leidde. "We gebruiken die realtime informatie nog steeds, maar integreren verborgen variabelen zoals teamstrategie en spelersrollen, dingen die we als mensen kunnen afleiden omdat we experts zijn in die specifieke context."
Ferrari en promovendi Junyi Dong en Qingze Huo hebben de algoritmen getraind om verborgen variabelen af te leiden op dezelfde manier als mensen hun sportkennis opdoen:door naar games te kijken. De algoritmen gebruikten machine learning om gegevens te extraheren uit video's van volleybalwedstrijden en gebruikten die gegevens vervolgens om voorspellingen te doen wanneer een nieuwe reeks games werd getoond.
De resultaten zijn op 22 september gepubliceerd in het tijdschrift ACM Transactions on Intelligent Systems and Technology , en laten zien dat de algoritmen de rollen van spelers kunnen afleiden - bijvoorbeeld het onderscheiden van een verdedigingspasser van een blocker - met een gemiddelde nauwkeurigheid van bijna 85%, en meerdere acties kunnen voorspellen over een reeks van maximaal 44 frames met een gemiddelde nauwkeurigheid van meer dan 80%. De acties omvatten spijkeren, zetten, blokkeren, graven, rennen, hurken, vallen, staan en springen.
Ferrari stelt zich voor dat teams de algoritmen gebruiken om zich beter voor te bereiden op de competitie door ze te trainen met bestaande spelbeelden van een tegenstander en hun voorspellende vaardigheden te gebruiken om specifieke spelen en spelscenario's te oefenen.
Ferrari heeft patent aangevraagd en werkt nu samen met het Big Red herenhockeyteam om de software verder te ontwikkelen. Met behulp van gamebeelden van het team, ontwerpen Ferrari en haar afgestudeerde studenten, onder leiding van Frank Kim, algoritmen die autonoom spelers, acties en gamescenario's identificeren. Een van de doelen van het project is om te helpen bij het annoteren van gamefilms, wat een vervelende taak is wanneer deze handmatig wordt uitgevoerd door teammedewerkers.
"Ons programma legt een grote nadruk op video-analyse en datatechnologie", zegt Ben Russell, directeur hockeyactiviteiten van het Cornell-herenteam. "We zijn constant op zoek naar manieren om als coachingstaf te evolueren om onze spelers beter van dienst te kunnen zijn. Ik was erg onder de indruk van het onderzoek dat professor Ferrari en haar studenten tot nu toe hebben uitgevoerd. Ik geloof dat dit project het potentieel heeft om de manier waarop teams studeren en zich voorbereiden op de competitie."
Naast sport biedt het vermogen om te anticiperen op menselijke acties een groot potentieel voor de toekomst van mens-machine-interactie, aldus Ferrari, die zei dat verbeterde software autonome voertuigen kan helpen betere beslissingen te nemen, robots en mensen dichter bij elkaar kan brengen in magazijnen en zelfs videogames leuker door de kunstmatige intelligentie van de computer te verbeteren.
"Mensen zijn niet zo onvoorspelbaar als de algoritmen voor machinaal leren ze nu doen voorkomen", zegt Ferrari, die ook associate dean is voor cross-campus technisch onderzoek, "omdat als je werkelijk alle inhoud in aanmerking neemt, alle van de contextuele aanwijzingen, en je observeert een groep mensen, kun je veel beter voorspellen wat ze gaan doen." + Verder verkennen
Wetenschap © https://nl.scienceaq.com