您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
AI预测网球球员的行为模式及击球位置
2019年01月18日 由 浅浅 发表
67382
0
AI应用领域越来越广泛，最近，昆士兰科技大学的研究人员利用AI来预测网球的击球位置。在论文“Memory Augmented Deep Generative models for Forecasting the Next Shot Location in Tennis”中，研究人员描述了一种AI系统，它不仅能够预测对手的行为，而且是以球员水平的行为模式进行预测。
研究人员写道，“受最近神经科学发现的启发，我们结合神经记忆模块来模拟网球运动员的情景记忆和语义记忆。”
在专业水平上，追踪网球可不是件容易的事，因为它们的速度超过每小时130英里。一些研究表明，事实上，高水平球员通常更善于提前发现事件，并对情境概率有更好的了解。
研究人员利用这些生物的见解来设计Memory-augmented Semi Supervised Generative Adversarial Network（MSS-GAN），基于生成对抗网络（GAN）。
一个新的结构存储情景记忆（长期记忆涉及对先前经历的有意识的回忆），以及一个框架，将知识从情景记忆传播到另一个负责存储语义记忆的结构（长期记忆涉及回忆词的能力，概念或数字）。
以下是它在实践中的工作原理：感知组件对输入数据进行处理，以获得代表网球球员击球的嵌入式数据或数学表征。结合情景记忆和语义记忆的其他嵌入，它们被用来生成下一个镜头预测，GAN框架验证这种预测的准确性。
为了训练AI系统，研究人员选择了2012年澳大利亚网球公开赛男子单打前三名选手的8780次击球数据，包括轨迹，速度，角度和球员脚的动作。在测试中，预测三名选手的击球分别在0.87米，0.79米和1.14米之间。
但更令人印象深刻的是，即使训练数据减少，AI系统的表现也没有受到显著影响，表明它能够推断出不同的球员风格。
研究人员写道，“我们证明了所提出的框架不仅可以用于高性能指导，还可以用于自动播放的智能摄像系统，系统可以预测下一次拍摄和拍摄类型，以更好地捕捉球员行为，也为了更好地理解球员战略，优势和劣势。模型通过神经记忆网络对球员知识和经验进行建模，自动学习这些属性，并且优于最先进的基线。测试证明了模型能够捕获情境和球员战术的元素，这些元素在预测玩家行为时是必不可少的。”
论文：
arxiv.org/pdf/1901.05123.pdf
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消