3D运动员跟踪技术在职业运动的应用

EXOS公司将利用英特尔公司的“3D运动员追踪(3D Athlete Tracking， 3DAT)”技术，促进职业选手的表现。

新动向：人类运动能力开发领域的企业EXOS正在利用英特尔公司的“3D运动员追踪(3D Athlete Tracking， 3DAT)”技术，培养职业运动员的运动能力。随着职业生涯的临近，这些运动员试图利用3DAT技术，利用人工智能(AI)获得关于他们短跑时的速度、加速度和生物力学的可操作的见解，将他们的比赛提升到下一个水平。

通过英特尔公司的3DAT技术，可以看到以前用肉眼无法测量的指标。我们能够获取这些信息，将其综合起来，为我们的教练和运动员提供有形的信息。当最微小的调整能够为我们的运动员带来真正的、有影响力的结果时，这是一个改变游戏规则的事情。

为何这么重要？3DAT将相关重要数据让教练与运动员的训练水平变得直观。以往的训练往往使得，这些数据要么是不存在，要么是很难获得。通过简单的视频提供精确的骨骼分析和性能指标，运动员、教练和相关技术人员，能够直观的看见现在的身体各个部位都是如何工作的，以及如何让它表现得更好。

两届奥运会十项全能金牌得主、英特尔奥林匹克技术集团产品开发工程师艾什顿·伊顿表示：“在体育和运动领域，人们在运动时的感觉和他们实际肌肉及骨骼作用之间存在巨大的差距。” 在100米跑的时候，虽然会和教练一起进行调整，但只能凭感觉。有时有用，有时没用，因为完全不知道身体各个部分的组织到底在做什么。但3DAT可以让运动员准确地了解他们的身体在运动时的状态，这样他们就可以精确地定位在哪里进行调整，以变得更快或更好。

原理：3DAT技术让运动员更加放松。它利用摄像机拍摄运动员进行训练时的情况，这样他们就不会因佩戴传感器或偏离常规训练计划而感到负担。该系统将视频数据以每秒60帧的速度发送到云端，在英特尔Xeon Scalable处理器上进行分析，该处理器具有内置的英特尔深度学习Boost人工智能加速能力。然后，教练会收到报告和图表，提供运动员课程的详细概述。教练可以更深入地讲解身体力学或问题点，以便更好地理解他们可以实施哪些小的调整，以帮助运动员充分发挥他们的运动潜力。

3DAT给了我们信息和洞察力，不仅仅是关于人们如何跑步和如何改进的技术，还包括出现什么情况下会阻碍他们。EXOS性能创新团队高级副总裁Craig Friedman说：“这些数据使我们能够在负重室进行调整，以帮助运动员在现场更好的发挥潜能。”

DeepMind，位于英国伦敦，是由人工智能程序师兼神经科学家戴密斯·哈萨比斯(Demis Hassabis)等人联合创立，是前沿的人工智能企业，其将机器学习和系统神经科学的先进技术结合起来，建立强大的通用学习算法。人工智能运用到体育运动是近些年许多专业运动科研人员注重的事情，创造测试环境来帮助人工智能研究走出实验室进入现实世界是非常具有挑战性的。体育运动与人工智能的结合，它为研究人员提供了一个试验台，在这个试验台中，一个由人工智能支持的系统可以帮助人类在一个有数十个动态、互动的个体的多智能体环境中做出复杂的实时决策。

体育数据收集的快速增长意味着我们正处于一个非常重要的体育分析时代。体育数据的可用性在数量和粒度上都在增加，从总的高级别统计数据和赛博度量数据过渡到更精细的数据，如事件流信息(如带注释的传球或射门)、主力球员位置信息和身体传感器。然而，体育分析领域直到最近才开始利用机器学习和人工智能来理解和建议体育领域的决策者。足球是研究人工智能研究的一个有用的缩影，它以自动视频助理教练(AVAC)系统的形式为体育运动的决策者提供了一种新的方式。

足球— 对人工智能来说是个有趣的机会

与其他运动相比，足球开始系统地收集大量数据用于科学分析目的，旨在提高球队水平，这一过程相当晚。这有几个原因，最突出的原因是，与其他运动(大型户外场地，动态游戏等)相比，游戏的可控设置要少得多，这也是主要依靠在职业足球领域有记录和经验的专家。足球分析带来的挑战非常适合各种各样的AI技术，它们来自3个领域的交叉：计算机视觉、统计学习和博弈论。虽然这些领域单独对足球分析有用，但当结合起来时，它们的优势变得特别明显：球员需要在其他球员(合作性和对抗性)在场的情况下进行连续决策，因此，博弈理论(互动决策理论)变得高度相关。此外，针对特定比赛情境的战术解决方案可以根据特定球员的表现来学习，这使得统计学习成为一个高度相关的领域。最后，球员可以被跟踪，比赛场景可以从广泛使用的图像和视频输入中自动识别。

DeepMind设想的AVAC系统位于由这三个研究领域交叉形成的微观世界中。不仅为未来几年可以解决的科学和工程问题制定了路线图，但也提出了新的原始结果的十字路口，博弈论分析，统计学习和计算机视觉，以说明这一激动人心的领域为足球提供了什么。

人工智能如何帮助足球？

博弈论在体育研究中起着重要的作用，为运动员的行为策略奠定了理论基础。以足球为例，它的许多场景实际上可以被建模为零和游戏，自博弈论诞生以来，这方面的研究已经广泛展开。例如，将罚点球情境建模为两名球员的非对抗性，其中罚球者的策略可以被分为左、中或右射门。为了研究这一问题，利用球员矢量(Player Vectors)对点球场景进行了博弈论分析，总结了足球运动员个人的踢球风格。有了这样的个体球员表征，就可以将具有相似比赛风格的踢球者分组，然后在小组水平上进行比赛理论分析。结果表明，不同小组所确定的射门策略在统计学上是不同的。例如，发现一组人更倾向于射球门的左角，而另一组人倾向于射球门的左角和右角。这样的洞察力可以帮助守门员在面对不同类型的球员时多样化他们的防守策略。基于这个游戏理论的观点，可以通过分析足球的持续性来考虑它的暂时性延长的比赛形式，利用它来建议单个球员的战术，甚至进一步优化整个球队的战略。

在统计学习方面，表征学习还没有在体育分析中得到充分利用，这将使个人球员和足球队的行为信息总结成为可能。此外，认为博弈论和统计学习之间的相互作用将促进体育分析的进一步发展。例如，在上面的点球大战场景中，使用特定球员的统计数据(向量)来增强分析，可以更深入地了解不同类型的球员在点球大战场景中的行为或决策。另一个例子是“ghosting”(指在体育分析中，球员应该如何在事后行动的特定数据驱动分析)。鬼影模型为给定的比赛提供了可供选择的球员轨迹，例如，基于联盟平均水平或选定的球队。预测的轨迹通常被可视化为覆盖在原始比赛上的半透明层，因此出现了术语“鬼影”。生成轨迹预测模型允许通过分析游戏的关键情况以及它们可能发生的不同情况来获得洞察力。这些模型还具有预测战术变化的潜力，关键球员的受伤，或本队表现的换人，以及对手对这种变化的反应。

最后，认为计算机视觉是最具前景的途径之一，以推进最先进的体育分析研究的边界。通过纯粹从视频中检测事件，这是计算机视觉社区已经深入研究的一个主题(例如，参见下面的调查和我们的论文以获取额外参考)，其潜在的应用范围是巨大的。通过将事件与特定的帧相关联，视频变得可搜索并且越来越有用(例如，自动高亮生成成为可能)。反过来，足球视频为计算机视觉提供了一个有趣的应用领域。大量的足球视频满足了现代人工智能技术的前提条件。虽然每个足球视频都是不同的，但设置并没有太大的差异，这使得该任务非常适合锐化人工智能算法。第三方提供商也可以提供手工标记的事件数据，这些数据在训练视频模型中很有用，而且生成这些数据很耗时，因此监督和非监督算法都可以用于足球事件检测。

先进的AI技术在足球上的应用有可能在球员、决策者、球迷和广播公司等多个方面彻底改变足球运动。如此重要的进步也将作为他们还承担潜在的进一步平民化运动本身(例如，而不是依靠专家，或某种技术，如计算机视觉从弱势地区量化各项技能的球员，那些从低级别联赛，等等)。DeepMind相信，足球微观世界所提供的日益先进的人工智能技术的发展可能会适用于更广泛的领域。