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