محققان دانشگاه واترلو فناوری جدید هوش مصنوعی (AI) را توسعه دادهاند که میتواند عملکرد و مکانیک پرتابکنندهها را با استفاده از ویدیوهای کمکیفیت بازیهای بیسبال به دقت تجزیه و تحلیل کند.
این سیستم که توسط تیم واترلو برای بالتیمور اوریولز توسعه یافته است، شکافهای موجود در فناوری بسیار پیچیدهتر و گرانتر را که در اکثر استادیومهایی که میزبان لیگ برتر بیسبال (MLB) هستند، پر میکند. تیمهای این لیگ در سالهای اخیر به طور فزایندهای از تجزیه و تحلیل دادهها بهره بردهاند.
این سیستمها که توسط شرکتی به نام Hawk-Eye Innovations تولید میشوند، از چندین دوربین ویژه در هر پارک استفاده میکنند تا بازیکنان را در حین بازی ثبت کنند، اما دادههایی که تولید میکنند معمولاً در دسترس تیم میزبان است که مالک استادیومی است که آن بازیها در آن انجام میشود.
برای افزودن بازیهای خارج از خانه به عملیات تحلیلی خود، و همچنین استفاده از ویدیوهای تلفن هوشمند گرفته شده توسط استعدادیابها در لیگهای کوچک و بازیهای کالج، اوریولز حدود سه سال پیش از کارشناسان ویدیو و هوش مصنوعی در واترلو درخواست کمک کرد.
نتیجه یک سیستم نسبتاً ساده به نام PitcherNet است که بر چالشهایی مانند تاری حرکت غلبه میکند تا حرکات پرتابکنندهها را در تپه پیگیری کند، سپس دادههایی را در مورد معیارهایی از جمله سرعت پرتاب و نقطه رهاسازی از پخش استاندارد و ویدیوی تلفن هوشمند به دست میآورد.
مقاله ای در مورد این پروژه با عنوان "PitcherNet: تقویت تحول Moneyball در تجزیه و تحلیل ویدیویی بیسبال"، در کنفرانس IEEF/CVF 2024 در مورد بینایی کامپیوتر و تشخیص الگو ارائه شد و در سرور پیش چاپ arXiv در دسترس است.
دکتر جان زلک، استاد مهندسی طراحی سیستم و مدیر مشترک آزمایشگاه پردازش تصویر و دید (VIP) در واترلو، گفت: «اوریولز با این مشکل به ما مراجعه کرد زیرا آنها قادر به تجزیه و تحلیل موقعیت های ژست و متعاقباً، بیومکانیک پرتاب کنندگان خود در بازی هایی که ممکن است دسترسی به دوربین های با وضوح بالا نداشته باشند، نبودند.»
هدف پروژه ما این بود که سعی کنیم فناوری Hawk-Eye را تکرار کنیم و با تولید خروجی مشابه از پخش ویدیو یا دوربین تلفن هوشمندی که توسط یک استعدادیاب نشسته در جایی در جایگاه استفاده میشود، از آن فراتر برویم.»
برای کمک به آموزش الگوریتم های هوش مصنوعی در قلب این فناوری، محققان آواتارهای سه بعدی از پرتاب کنندگان ایجاد کردند تا حرکات آنها از زوایای دید متعدد قابل مشاهده باشد.
اطلاعات حاصل از ویدیویی که توسط سیستم پردازش میشود، در اختیار تحلیلگران بیومکانیک برای اوریولز قرار میگیرد، که متعهد شدهاند به طور مشترک بودجه این پروژه را برای یک سال دیگر تامین کنند.
از این دادهها میتوان برای تنظیم نحوه پرتاب توپ توسط پرتابکنندهها برای بهبود عملکرد یا جلوگیری از آسیبدیدگی و ارزیابی موفقیت و دوام آینده چشماندازهای پرتاب استفاده کرد.
جرین برایت، دانشجوی دکترا که نقش اصلی را در این پروژه داشت، گفت: «فناوری موجود در حال حاضر تجزیه و تحلیل بیسبال را بهبود بخشیده است. با این حال، از آنجایی که به بازیهای خانگی محدود میشود، نیاز واقعی به راهحلهایی وجود دارد که در هر شرایطی کار کنند، به ویژه برای استعدادیابی. اینجاست که سیستم ما وارد عمل میشود.»
محققان اکنون در حال بررسی کاربرد ایده اساسی—تجزیه و تحلیل هوش مصنوعی از حالت های بازیکن با استفاده از پخش استاندارد و ویدیوی تلفن هوشمند—در سایر ورزش های حرفه ای، از جمله هاکی و بسکتبال، علاوه بر سایر جنبه های بیسبال، مانند ضربه زدن هستند.
اطلاعات بیشتر: جرین برایت و همکاران، PitcherNet: تقویت تحول Moneyball در تجزیه و تحلیل ویدیویی بیسبال، arXiv (2024). DOI: 10.48550/arxiv.2405.07407
اطلاعات مجله: arXiv
ارائه شده توسط دانشگاه واترلو
نقل قول: محققان فناوری هوش مصنوعی را توسعه دادند که میتواند عملکرد پرتابکنندهها را با استفاده از ویدیوهای کمکیفیت ضبطشده توسط تلفنهای هوشمند نظارت کند (2025، 23 آوریل) بازیابی شده در 24 آوریل 2025 از https://techxplore.com/news/2025-04-ai-tech-pitchers-resolution-video.html