top of page

Algoritmos prevêem movimentos de times esportivos com 80% de precisão




Um novo algoritmo de aprendizado de máquina pode prever as ações no jogo de jogadores de vôlei com 80% de precisão.

Fonte: Universidade Cornell NYC

Algoritmos desenvolvidos no Laboratório de Sistemas e Controles Inteligentes de Cornell podem prever as ações no jogo de jogadores de vôlei com mais de 80% de precisão, e agora o laboratório está colaborando com a equipe de hóquei do Big Red para expandir as aplicações do projeto de pesquisa.

Os algoritmos são únicos na medida em que eles tomam uma abordagem holística para a antecipação de ação, combinando dados visuais – por exemplo, onde um atleta está localizado na quadra – com informações mais implícitas, como o papel específico de um atleta na equipe.

"A visão computacional pode interpretar informações visuais como a cor da camisa e a posição do jogador ou a postura corporal", disse Silvia Ferrari, professora de Engenharia Mecânica e Aeroespacial john brancaccio, que liderou a pesquisa.

"Ainda usamos essas informações em tempo real, mas integramos variáveis ocultas, como estratégia de equipe e funções de jogadores, coisas que nós, como humanos, somos capazes de inferir porque somos especialistas nesse contexto particular."

Os alunos da Ferrari e do doutorado Junyi Dong e Qingze Huo treinaram os algoritmos para inferir variáveis ocultas da mesma forma que os humanos ganham seus conhecimentos esportivos – assistindo jogos. Os algoritmos usaram aprendizado de máquina para extrair dados de vídeos de jogos de vôlei, e então usaram esses dados para ajudar a fazer previsões quando mostrados um novo conjunto de jogos.

Os resultados foram publicados em 22 de setembro na revista ACM Transactions on Intelligent Systems and Technology, e mostram que os algoritmos podem inferir os papéis dos jogadores – por exemplo, distinguindo um defensor-transeunte de um bloqueador – com uma precisão média de quase 85%, e podem prever múltiplas ações em uma sequência de até 44 quadros com uma precisão média de mais de 80%. As ações incluíram espiar, definir, bloquear, cavar, correr, agachamento, queda, pé e salto.

A Ferrari prevê que as equipes usem os algoritmos para se preparar melhor para a competição, treinando-as com imagens de jogo existentes de um oponente e usando suas habilidades preditivas para praticar jogadas específicas e cenários de jogo.

A Ferrari pediu uma patente e agora está trabalhando com a equipe de hóquei masculino do Big Red para desenvolver ainda mais o software. Usando imagens de jogo fornecidas pela equipe, Ferrari e seus alunos de pós-graduação, liderados por Frank Kim, estão projetando algoritmos que identificam de forma autônoma jogadores, ações e cenários de jogo.


Um dos objetivos do projeto é ajudar a anotar o filme de jogo, que é uma tarefa tediosa quando executada manualmente pelos membros da equipe.

"Nosso programa coloca uma grande ênfase na análise de vídeo e tecnologia de dados", disse Ben Russell, diretor de operações de hóquei da equipe masculina de Cornell.

"Estamos constantemente procurando maneiras de evoluir como uma equipe de coaching, a fim de melhor servir nossos jogadores. Fiquei muito impressionado com a pesquisa que a Professora Ferrari e seus alunos conduziram até agora. Acredito que esse projeto tem o potencial de influenciar drasticamente a forma como as equipes estudam e se preparam para a competição."

Além dos esportes, a capacidade de antecipar ações humanas tem grande potencial para o futuro da interação homem-máquina, segundo Ferrari, que disse que softwares aprimorados podem ajudar veículos autônomos a tomar melhores decisões, aproximar robôs e humanos em armazéns e até mesmo tornar os videogames mais agradáveis, melhorando a inteligência artificial do computador.

"Os humanos não são tão imprevisíveis quanto os algoritmos de aprendizagem de máquina estão fazendo com que eles sejam agora", disse Ferrari, que também é reitora associada de pesquisa de engenharia cross-campus, "porque se você realmente levar em conta todo o conteúdo, todas as pistas contextuais, e observar um grupo de pessoas, você pode fazer muito melhor em prever o que eles vão fazer."

Financiamento: A pesquisa foi apoiada pelo Escritório de Pesquisa Naval Código 311 e Código 351, e os esforços de comercialização estão sendo apoiados pelo Escritório de Licenciamento de Tecnologia de Cornell.

Author: Becka Bowyer

Source: Cornell University

“A Holistic Approach for Role Inference and Action Anticipation in Human Teams” by Silvia Ferrari et al. ACM Transactions on Intelligent Systems and Technology


56 visualizações0 comentário

Comentarios


bottom of page