فناوری در حال متحولکردن دنیای فوتبال است: از کمک به داوران برای تصمیمگیریهای دقیقتر گرفته تا طراحی تاکتیکهای بهتر در میدان بازی. دانشگاه ETH زوریخ و فیفا در حال بررسی این هستند که چگونه میتوان با بهرهگیری از هوش مصنوعی، این پیشرفتها را در سطح جهانی در دسترستر کرد.
این روزها هوش مصنوعی به شکلهای مختلفی در فوتبال به کار گرفته میشود: برای مثال در تحلیل حرکات بازیکنان یا کمک به داوران برای تشخیص موقعیت آفساید. یکی از این فناوریها، «فناوری نیمهخودکار تشخیص آفساید» (SAOT) است که توسط کمکداوران ویدیویی (VAR) استفاده میشود تا تصمیمات عادلانهتری گرفته شود. این سیستم با ردیابی دیجیتالی و لحظهای حرکات و موقعیت بازیکنان کار میکند.
اما تا به حال، استفاده از چنین سیستمهایی فقط برای مسابقات بزرگ ممکن بوده، چرا که این فناوریها پیچیده و پرهزینهاند: برای مثال هر ورزشگاه نیاز به ۱۰ تا ۱۲ دوربین ثابت با زاویههای مختلف دارد. «همه این دوربینها باید دقیقاً با هم هماهنگ باشند تا یک مدل دیجیتالی دقیق از بازی به دست آید»، این را «تیانجیان جیانگ»، دانشجوی دکتری علوم کامپیوتر میگوید.
هدف اصلی این پروژه، سادهسازی سامانههاست: به طوری که به جای چندین دوربین، تنها از یک دوربین استفاده شود. در هر مسابقه حرفهای، حداقل یک دوربین برای پخش تلویزیونی بازی وجود دارد. این دوربین کنار خط طولی زمین قرار دارد و مسئول ضبط بیش از سهچهارم تصاویر پخششده از بازیهاست.
سکانسهای کاملاً دیجیتال از مسابقه
شاید تا استفادهی قابلاعتماد از تنها یک دوربین برای تحلیل بازی فاصله چند سالهای داشته باشیم، اما آزمایشگاه AIT یک گام مهم در این مسیر برداشته است. پژوهشگران توانستهاند نزدیک به ۵۰ دقیقه از بازیهای جام جهانی ۲۰۲۲ را به صورت کامل دیجیتالی کنند.
این مجموعه داده که «WorldPose» نام دارد، شامل بیش از ۲.۵ میلیون وضعیت مختلف از بدن بازیکنان به صورت سهبعدی است. با این اطلاعات میتوان موقعیت و حرکات تمام بازیکنان دو تیم را بهطور همزمان بررسی کرد: چه هنگام مالکیت توپ و چه بدون آن.
در یادگیری ماشینی، به این فرایند «برآورد حالت بدن» یا pose estimation گفته میشود. برخلاف انسان، کامپیوترها توان دیدن ندارند و برای تشخیص موقعیت اشیاء و افراد در فضا نیاز به داده دارند.
با آموزش مداوم، رایانهها میآموزند چگونه اطلاعات تصویری و ویدیویی را تحلیل کنند. الگوریتمها این امکان را فراهم میکنند تا ماشین به جای برنامهنویسی مستقیم، خود بهمرور یاد بگیرد.
بازسازی سهبعدی تنها با یک دوربین
امروزه الگوریتمهایی وجود دارند که میتوانند از یک تصویر دوبعدی، شکل سهبعدی افراد و اشیاء را بازسازی کنند. در «برآورد وضعیت بدن از دیدگاه تکدوربینه» (MPE)، کامپیوتر با استفاده از تصاویر یک دوربین، موقعیت و حرکت افراد را شناسایی میکند.
گرچه الگوریتمهای فعلی MPE در تشخیص وضعیت یک بازیکن موفق هستند، اما در دنبالکردن چندین نفر بهطور همزمان—مخصوصاً در فضاهای وسیع مثل زمین فوتبال—با چالشهایی مواجهاند. جیانگ میگوید: «ما به دنبال الگوریتمی هستیم که حتی در فواصل طولانی هم دقت کافی داشته باشد.»
چالشهای بیشتر از انتظار
فیفا در سال ۲۰۲۱ از دانشگاه ETH خواست تا یک مجموعه داده برای آموزش الگوریتمها فراهم کند و کیفیت روشهای MPE را ارزیابی کند.
این پروژه سه سال زمان برد—که در دنیای پرشتاب هوش مصنوعی زمان زیادی است. جیانگ میگوید: «در ابتدا فکر میکردیم بهسرعت میتوانیم مجموعه داده دقیقی تهیه کنیم، چون سامانهای داشتیم که حرکات و موقعیتها را بهخوبی دیجیتال میکرد. اما پیادهسازی آن روی تصاویر واقعی جام جهانی، چالشهای بسیاری به همراه داشت.»
از جمله این چالشها میتوان به انسداد دید بازیکنان، تاری حرکت، و تنظیم نادرست دوربینها اشاره کرد. بزرگنمایی یا تغییر زاویه دوربینهای پخش زنده نیز مشکلساز بود.
هماهنگی کامل خطوط دیجیتال و واقعی
برای آنکه بازیکنان دیجیتال دقیقاً روی بازیکنان واقعی منطبق شوند، ابتدا باید تصاویر ویدیویی دوربینهای مختلف ورزشگاه بهدرستی کالیبره میشد. این کار شامل تعیین ویژگیهایی مثل فاصله کانونی و اندازه حسگر دوربینهاست تا اعوجاجهای ناشی از لنز تصحیح شود.
در این مرحله، خطوط مرجع دیجیتال روی تصاویر دوربین قرار داده میشوند تا میزان دقت تنظیمات مشخص شود. جیانگ میگوید: «اگر کالیبراسیون بهدرستی انجام شده باشد، خط دیجیتال زمین دقیقاً روی خط واقعی قرار میگیرد، از هر زاویهای که به آن نگاه کنیم.»
پس از آن، رایانه میتواند با استفاده از مدل SMPL که یکی از پرکاربردترین مدلها در بینایی ماشین است، وضعیت و مسیر حرکتی بازیکنان را به شکل انسانی و دقیق بازسازی کند.
در مرحله بعد، این دادهها به دوربین پخش زنده منتقل میشوند که آن نیز باید کالیبره شود—برای مثال با حرکت در جهات مختلف و بزرگنمایی و کوچکنمایی. اگر تطابق دادههای واقعی و دیجیتال کامل باشد، آنگاه میتوان فقط با یک دوربین، موقعیت و حرکات بازیکنان را بهصورت سهبعدی و دقیق مدلسازی کرد.
