Des algorithmes prédisent les mouvements des équipes sportives avec une précision de 80 %

Les algorithmes développés dans le laboratoire de Cornell pour les systèmes et les commandes intelligents peuvent prédire les actions des joueurs de volley-ball dans le jeu avec une précision de plus de 80 %, et maintenant le laboratoire collabore avec l’équipe de hockey Big Red pour étendre les applications du projet de recherche.

Les algorithmes sont uniques en ce sens qu’ils adoptent une approche holistique de l’anticipation de l’action, combinant des données visuelles (par exemple, l’emplacement d’un athlète sur le terrain) avec des informations plus implicites, comme le rôle spécifique d’un athlète dans l’équipe.

« La vision par ordinateur peut interpréter des informations visuelles telles que la couleur du maillot et la position ou la posture du corps d’un joueur », a déclaré Silvia Ferrari, professeur John Brancaccio de génie mécanique et aérospatial, qui a dirigé la recherche. « Nous utilisons toujours ces informations en temps réel, mais intégrons des variables cachées telles que la stratégie d’équipe et les rôles des joueurs, des choses que nous, en tant qu’humains, sommes capables de déduire parce que nous sommes des experts dans ce contexte particulier. »

Ferrari et les doctorants Junyi Dong et Qingze Huo ont formé les algorithmes pour déduire des variables cachées de la même manière que les humains acquièrent leurs connaissances sportives, en regardant des matchs. Les algorithmes ont utilisé l’apprentissage automatique pour extraire des données de vidéos de matchs de volley-ball, puis ont utilisé ces données pour aider à faire des prédictions lors de la présentation d’un nouvel ensemble de jeux.

Les résultats ont été publiés le 22 septembre dans la revue Transactions ACM sur les systèmes intelligents et la technologie, et montrent que les algorithmes peuvent déduire les rôles des joueurs (par exemple, distinguer un passeur défensif d’un bloqueur) avec une précision moyenne de près de 85 %, et peuvent prédire plusieurs actions sur une séquence allant jusqu’à 44 images avec une précision moyenne de plus de 80 %. Les actions comprenaient piquer, placer, bloquer, creuser, courir, s’accroupir, tomber, se tenir debout et sauter.

Ferrari envisage des équipes utilisant les algorithmes pour mieux se préparer à la compétition en les entraînant avec des séquences de jeu existantes d’un adversaire et en utilisant leurs capacités prédictives pour pratiquer des jeux et des scénarios de jeu spécifiques.

Ferrari a déposé un brevet et travaille maintenant avec l’équipe de hockey masculine Big Red pour développer davantage le logiciel. À l’aide d’images de jeu fournies par l’équipe, Ferrari et ses étudiants diplômés, dirigés par Frank Kim, conçoivent des algorithmes qui identifient de manière autonome les joueurs, les actions et les scénarios de jeu. L’un des objectifs du projet est d’aider à annoter le film du jeu, ce qui est une tâche fastidieuse lorsqu’elle est effectuée manuellement par les membres du personnel de l’équipe.

« Notre programme met l’accent sur l’analyse vidéo et la technologie des données », a déclaré Ben Russell, directeur des opérations de hockey pour l’équipe masculine de Cornell. « Nous cherchons constamment des moyens d’évoluer en tant qu’entraîneurs afin de mieux servir nos joueurs. J’ai été très impressionné par les recherches que la professeure Ferrari et ses étudiants ont menées jusqu’à présent. Je crois que ce projet a le potentiel d’influencer considérablement la façon dont les équipes étudient et se préparent pour la compétition. »

Au-delà du sport, la capacité d’anticiper les actions humaines présente un grand potentiel pour l’avenir de l’interaction homme-machine, selon Ferrari, qui a déclaré qu’un logiciel amélioré peut aider les véhicules autonomes à prendre de meilleures décisions, rapprocher les robots et les humains dans les entrepôts, et peut même faire jeux vidéo plus agréables en améliorant l’intelligence artificielle de l’ordinateur.

« Les humains ne sont pas aussi imprévisibles que les algorithmes d’apprentissage automatique le prétendent en ce moment », a déclaré Ferrari, qui est également doyen associé pour la recherche en ingénierie inter-campus, « parce que si vous tenez compte de tout le contenu, tout des indices contextuels, et que vous observez un groupe de personnes, vous pouvez faire beaucoup mieux pour prédire ce qu’elles vont faire. »