人工智能体育应用场景案例分析

杨耿 蔡铁 华悦来 林仕龙 黄巍 陈华洋 赖红 李钦

(深圳信息职业技术学院 广东深圳 518000)

目前，我国正在大力推行体育强国政策，体育强国是新时期我国体育工作改革和发展的目标与任务。2019年9月，国务院办公厅印发《体育强国建设纲要》，提出将全面实施青少年体育活动促进计划。2020年8月，由体育总局、教育部印发的《关于深化体教融合促进青少年健康发展的意见》中提出：加强学校体育工作；完善青少年体育赛事体系；加强体育传统特色学校；大力培养体育教师。2020 年10 月，国务院办公厅印发了《关于全面加强和改进新时代学校体育工作的意见》，指出到2022年，健全学校体育工作制度机制，全面提高教育教学质量，提升学生身体素质，到2035年，形成多样化、现代化、高质量的学校体育体系。

近年来，我国人工智能（AI）产业快速崛起，凭借着互联网产业的快速发展积累了庞大规模的基础数据，再加上数据挖掘利用技术的进步，数据、技术和政策效应相互叠加，催生了一大批新型AI 应用产业，而体育领域正是AI 技术应用的最佳场景之一。AI 可以极大地提升体育活动人群的参与感和运动后的效果，有效帮助大家了解体育活动对于人们从微观到宏观的影响。同时，人们在使用智能化健身设备时，将会产生大量健身数据，这些数据可以对我国国民体质现状进行评估，并对体育政策的制定提供重要的参考意义。

如今，中国体育正处于从体育大国向体育强国迈进的重要历史时期，应当利用新一代信息技术尤其是AI 技术做好引导参与体育活动的人员进行规范、高效的体育锻炼，学会运用AI 辅助进行体育锻炼，增强体质。该文结合过去和现在的AI 在体育方面运用的实例，深入探讨AI 在体育建设路上的应用场景与应用方法。

1 AI关键技术

1.1 卷积神经网络

卷积神经网络［1，2］是一类包含卷积计算，并且含有深层次结构的深度前馈神经网络，它能有效地将包含大数据量的原始数据降维成小数据量，并有效地保留原始数据特征，是深度学习的重要组成部分，广泛应用于AI的计算机视觉、图像分析、目标识别、自然语言处理等领域，并取得了举世瞩目的成就。卷积神经网络按结构可分为输入层—卷积层—池化层—全连接层—输出层。卷积层负责提取输入的特征信息，低层卷积只能提取到低级特征，如边缘、线条等，高层卷积可以提取更深层的特征。池化层负责压缩特征图，提取主要特征，大幅降低参数量级，简化网络计算的复杂度，全连接层负责给出最后的分类结果。在体育领域，可利用卷积神经网络提取体育多媒体数据（如视频、图像、语音、文字等）的特征，为体育应用场景服务。

1.2 目标检测

目标检测是计算机视觉中用于确定图像某个区域是否含有要识别的对象。近年来，目标检测算法通过采用卷积神经网络与深度神经网络，取得了很大的突破。目前，主流的目标检测算法包括基于Region Pro‐posal 的R-CNN［3］算法以及基于one-stage 的Yolo［4］或SSD［5］算法。前者准确度更高，但是速度较慢；后者算法速度较快，但准确性相对前者略低。目标检测有2个主要任务：物体定位与分类。为完成这2个任务，以R-CNN为例，可分为以下步骤：输入一张图片，通过指定算法从图片中提取2000 个左右类别独立的候选区域；对于每个候选区域利用卷积神经网络来获取一个特征向量；对于每个区域相应的特征向量，利用如支持向量机SVM的分类器进行分类，决定输出类别；送入到全连接网络以回归的方式精修候选区域。采用目标检测算法，可以在体育视频或体育图像中提取感兴趣物体位置，并识别物体的类别。如在篮球运动视频中识别篮球队员、篮球与篮筐；在田径比赛视频中识别跑步运动员、跑道；在足球运动视频中识别足球队员的号码、足球、裁判员、守门员与门框等。

1.3 动作识别

动作识别技术主要运用计算机强大的处理和运算能力，对动作姿态与动作行为进行识别并采集相关的信息。动作识别技术主要分为机器视觉方式［6，7］和传感器方式［8］。其中，机器视觉方式是基于视频或图像数据，采集各种动作下的人体特定标志点信息，构建深度学习模型进行训练，根据标志点的信息推导出人体的姿态与动作。但该方法极易受到拍摄场景等各种因素限制，如光线的影响、数据缺乏多维度的影响，最终得到的数据噪点多、准确性小。传感器方式是采用可穿戴传感器采集人体运动信息。该方法可通过人体穿戴部署传感器方式，直接精确地采集人体各部位的运动信息，高精度的传感器甚至可以采集人体细微动作产生的信息，如手腕的轻微转动。传感器方式不受场景等其他因素的影响，但在成本、便携性有着明显的缺点，并且不穿戴则无数据。通过结合机器视觉与传感器方式，可以互补采集不同的体育运动场景下人体姿态与运动信息，为体育训练与体育活动服务。

1.4 目标追踪

目标跟踪就是对运动目标进行检测、提取、识别和跟踪，获得运动目标的运动参数，并进行处理与分析，实现对运动目标的行为理解，以完成更高一级的检测任务。在机器视觉领域，目标跟踪在连续的视频序列中建立所要跟踪物体的位置关系，得到物体完整的运动轨迹。运动轨迹的生成，是给定图像第一帧的目标坐标位置，计算在下一帧图像中目标的确切位置。在运动的过程中，目标可能会呈数据特征的变化，如姿态或形状的变化、尺度的变化、背景遮挡或光线的变化等。传统的目标跟踪方法包括Meanshift［9］、Particle Filter与Kalman Filter［10］等方法。随着深度卷积神经网络的成功，深度学习目标跟踪算法也在迅猛发展［11］。深度学习目标跟踪主要包括特征学习、数据相关、端到端学习与状态预测4 部分，在准确度与稳定性上均比传统方法有优势。通过目标跟踪，可以获得体育运动中运动人员的轨迹、速度以及运动变化情况。

2 AI在体育领域应用情况分析

目前，AI 在体育层面的应用研究主要围绕着大型比赛展开。在体育领域，最常见的应用主要包括教练系统、辅助训练防损伤、体育新闻撰写、比赛判罚。通过应用AI技术，可自动采集分析大量的数据并构建对应的体育分析模型，为体育活动参与者与管理者提供决策支持。

2.1 教练系统

教练系统［12，13］主要利用AI的数据分析能力对比赛进行解读，再把解读比赛的数据用于运动员的日常训练中。如图1所示，AI教练系统运用目标检测技术、动作识别技术去采集数据，然后使用机器学习技术处理数据，最后建立相应的模型、算法。教练就可以根据模型得到的规律对比赛进行预测，或根据数据分析结果制定比赛战术。

图1 智能教练模拟流程

例如，在足球比赛上，可以通过AI 技术提取足球轨迹与球员站位并进行分析，同时用机器学习挖掘球队的内在运行规律。教练通过规律分析结果，制订相应战术、应对方法与球队训练计划。在没有AI帮助的时代，球队教练必须观看大量的比赛，从中找出规律，任务繁杂且效率低下。如今，在AI的帮助下解读比赛与整理数据，大大减少了教练的工作量，教练得以专心制订战术与训练计划。这种方法既节省了人力成本，又提高了效率。

近几年，大多数足球俱乐部都引进了机器学习技术，用来提升球队的训练效果。2020年，巴塞罗那俱乐部创新中心与体育科技公司达成合作，共同开发了智能图像采集与识别系统，使用无人摄像机组多角度拍摄视频，并进行目标检测与数据分析。在这个系统的帮助下，该俱乐部球队的足球竞技水平明显提高。AI系统的引入，对体育教练的改变是巨大的，在未来，AI系统甚至会取代教练的战术制订的工作。

2.2 训练防损伤系统

AI技术可应用于日常训练防损伤［12，14］。在运动员训练的过程中，常常因为姿势不正确、训练强度过大等造成身体损伤。由于无法明确划分适量运动与过量运动的界限，运动员不能准确地安排适合自己体能与身体状况的训练。现在，AI 穿戴设备可以准确地采集运动员的身体数据，通过对穿戴设备获取的数据进行分析，即可判定运动员的身体状况，对运动员的训练做出适应性调整。

如图2 所示，防损伤训练系统先按照正常的生理指标建立标准判断模型，用来判断人体的正确运动姿势，然后使用机器学习技术对穿戴设备获取的数据进行建模。通过对比2个模型，得到二者的差异，并根据这个差异判断运动员的身体状况。如今，几乎所有的国家级专业运动员都在训练时使用AI 驱动的可穿戴设备，一方面可以采集运动员本身的运动心率、呼吸频率、肌肉紧张程度等数据，以便确保他们的运动安全；另一方面，教练可以根据这些数据分析结果，对运动员安排针对性的训练、营养饮食与作息时间。

图2 训练防损伤系统

2.3 新闻写作

AI 可运用于体育新闻写作［15］。随着时代对体育活动关注度的不断提高，快速、高质量的体育新闻报道成了人们的日常所需。但是体育赛事往往蕴含着大量的数据，而且对时效性的要求十分高。媒体记者很难既采访比赛以获得数据的同时，还要在短时间内对数据进行整理分析，写出一篇新闻报道。如何整理数据和快速排版出稿就成了体育新闻报道的难点与刚需。如图3 所示，AI 新闻写作的工作原理是将收集的数据录入数据库，将数据按照语句出现频率和关键词等组成一个发稿的模板，然后将新闻元素代入其中，这样一篇初版的新闻就诞生了。AI辅助新闻写作的优势在于它可以24h不停地收集数据，检测热点新闻发展动向。这就极大程度上提升了新闻发布的时效性，并且保证写出来的新闻更加全面。在智能新闻系统的帮助下，媒体记者和编辑从繁琐的数据处理工作解放出来，降低了媒体记者和编辑的压力，让他们可以更加集中精力地深入分析新闻背后的意义。2015 年9 月，腾讯推出了新闻写作机器人Dreamwriter。仅仅在2 年内，Dreamwriter 机器人就已完成953 篇“机器人NBA 战报”。然而，目前的AI技术水平，仍无法使AI新闻报道摆脱人的影响而独立完成有创造性地撰写报道，它所撰写的报道都是对人工报道的模仿以及对预设的实现。

图3 智能新闻写作

2.4 辅助体育判罚

AI可运用于体育判罚［16］，AI在体育赛事中的最早用途就是帮助裁判作出更准确的裁定。现在多数比赛项目都有AI辅助裁判对赛场人员运动情况进行判罚，以增加判罚的准确度和客观性，保证赛事的公平、公正。通过目标追踪技术对比赛中关键物体追踪所采集的数据可以作为比赛判罚的依据。例如，在球类运动中对人员与球的轨迹进行追踪，用来判断运动人员是否存在违规行为。随着科技的发展，判罚已经变得越来越精确，AI 技术可以利用动作识别技术获得运动员的姿势、位置等数据，进而提升辅助判断能力。然而，目前判罚系统的智能水平还不足以独立对一场比赛进行判罚，主要功能还是辅助裁判为其提供更精准的判罚分析。如图4所示，通过建立比赛的规则模型，结合智能感知自动采集的赛事数据，采用AI技术可以将规则与数据进行融合比对，即可提供准确与实施的判罚决策。

图4 智能体育判罚设想流程图

3 现存问题

AI 在体育领域应用存在个体数据获取困难、沟通与理解能力不足、技术局限性、识别精度不够、普及接受程度不足、人才缺失、标准制度不完善等问题。尽管AI已开始应用于体育场景，但由于普及力度不够、设备昂贵、群体还未完全接受等问题的存在，体育运动数据获取仍较困难。并且大多仅应用于赛事场景，对于普通体育活动、学校体育活动与个体人员体育活动数据的采集、分析和挖掘还未有成熟应用。尽管AI技术在不断发展，但与人类智能还有很大的差距，无法达到人类智能的动态性、冗余性、处理事务的多变性，还未能够实现AI与人类直接无缝地沟通与理解。因此，在新闻写作、体育判罚与体育训练中，AI仅仅起到了初步方案、辅助决策与辅助数据分析的作用。在未来的“AI+体育”应用中，希望能够提升AI 与人类沟通与理解的能力。在AI的体育应用中，关于功能性动作的自动评估具有一定的局限性。人体运动包含着丰富的信息，在一些周期性的运动项目中，往往需要大量的运动指标与数据，目前AI技术尚未覆盖全面。在某些体育项目中，微小的误差就有可能造成运动员重大失误，甚至伤亡事故，如果AI 的测量与识别精度不够，所提供的结论有可能会形成错误的方案，不仅会导致运动训练无效、浪费时间与损耗设备，还会引发运动损伤问题。AI在实际应用中，由于知识普及性不强，人们甚至抱有畏惧的心理，认为AI 将来会取代人类，使得一些体育管理者与参与者的固有观念难以转变，限制了“AI+体育”的普及。“AI+体育”的应用发展，需要复合型人才，既要对AI技术有充分的知识基础，又要对体育行业应用业务需求有深刻的认识，因此“AI+体育”面临着人才不足与人才紧缺问题。市场上与AI 相关的体育用品越来越多，但是产品的质量与技术水平不高，甚至存在假AI 产品。“AI+体育”还未有统一的行业标准和相关的成熟制度，急需一套标准与管理制度，促进“AI+体育产业”的稳步发展。

4 结语

该文对AI技术发展与“AI+体育”应用情况的分析表明，AI 技术在逐渐发展成熟，并且AI 的应用已经在体育领域崭露头角。较为典型成熟的“AI+体育”应用包括辅助教练、辅助训练、辅助判罚、辅助体育新闻写作等。然而，体育运动包括田径、球类、游泳、武术、健美操、登山、滑冰、举重、摔跤、柔道、自行车、射击等多种项目，普通民众、学校学生的体育活动也多姿多彩，目前AI技术尚未能普及到大众领域，存在个体数据获取困难、沟通与理解能力不足、技术局限性、识别精度不够、普及接受程度不足、人才缺失、标准制度不完善等问题。针对现存问题的解决方案，包括扩展AI数据采集范围并降低采集成本、增强类脑智能+体育的研究、建立完善的动作指标体系、工程化提升AI 识别精度、推动AI知识在体育领域的普及、培养综合性AI+体育人才、建立健全AI+体育标准与制度等内容。这些解决方案需要教育、体育、科技、政府等相关企业与部门的共同努力才能完成。

在国家大力推行体育强国政策的大环境下，大力发展“AI+体育”技术，有助于体育强国大数据获取、推动正确体育教学与训练方法、降低体育活动损伤与事故风险、提升人民群众体育活动兴趣、提供有效的健康管理方案，最终为提升人民群众健康的发展服务。