Cuando se trata de deportes de pelota, las técnicas de visión de máquinas han empezado a revolucionar la forma que los analistas estudian el juego y cómo los árbitros toman las decisiones. En el críquet y el tenis, por ejemplo, estos sistemas registran sistemáticamente los movimientos de la pelota en tres dimensiones para luego generar una repetición virtual que muestra exactamente dónde impactó la pelota con el suelo y hasta predecir su futura trayectoria.
Pero este tipo de rastreo de la pelota está llamativamente ausente en otros deportes, como el baloncesto, voleibol y fútbol. En estos deportes, a menudo la pelota se oculta detrás de los jugadores; su movimiento varía significativamente cuando se encuentra en posesión de un jugador a cuando vuela por los aires, y las interacciones de los jugadores con la pelota pueden ser rápidas e impredecibles.
Estos factores, además del tamaño reducido de la pelota dentro de la imagen y la a veces pobre calidad de las imágenes en vídeo, hacen que su rastreo sea más difícil en estos deportes.
Andrii Maksai y su equipo de la École Polytechnique Fédérale de Lausanne (Suiza) acaban de presentar un nuevo método para rastrear la pelota dentro de estos deportes que rinde mejor que otros enfoques vanguardistas.
La mayoría de los sistemas de rastreo dependen de dos enfoques distintos. El primero busca seguir el movimiento de la pelota en tres dimensiones para después predecir varias trayectorias probables. Este "árbol" de posibles trayectorias entonces puede ser podado mientras se generan más datos de rastreo de la pelota.
La ventaja de este enfoque es que las leyes de la física están incorporadas a las predicciones de trayectoria para que sean descartadas las soluciones físicamente improbables o imposibles. Sin embargo, resulta extremadamente sensible a la calidad de los datos de rastreo de pelota así que tiende a fallar cuando está oculta o cuando los jugadores interactúan de maneras impredecibles.
Otro método consiste en rastrear a los jugadores y tomar nota de cuando tienen la posesión del balón. Entonces, el sistema supone que el movimiento del balón seguirá al jugador hasta que la posesión cambie de un jugador a otro. La ventaja aquí es que el sistema no se confunde tanto con los pases rápidos o impredecibles. De hecho, este enfoque funciona bien con el baloncesto, donde el regateo y la oclusión pueden dificultar la tarea a los rastreadores de pelota. Sin embargo, sin unas limitaciones sobre los movimientos de pelota basadas en la física, estos sistemas pueden producir unos rastreos imprecisos.
El equipo de Maksai ha divisado una solución obvia. Rastrean tanto la pelota como a los jugadores de forma precisa. Entonces emplean una de varias maneras diferentes de resolver el problema de rastreo de pelota, en función de cómo los jugadores interactúen con la pelota.
Por ejemplo, una pelota de baloncesto lanzada hacia la canasta sigue una trayectoria balística. Pero una pelota que rueda sigue otra trayectoria. Ambas requieren distintas soluciones de rastreo respecto a un remate de voleibol que causa un cambio pronunciado en la trayectoria. Y un balón que está siendo regateado por un jugador de fútbol sigue otro tipo de trayectoria irregular, necesitando por tanto otra solución distinta. "Modelamos explícitamente la interacción entre la pelota y los jugadores además de las limitaciones físicas que sufre la pelota al alejarse de los jugadores", afirma el equipo de Maksai.
El equipo ha probado su algoritmo en varias secuencias en vídeo de partidos de voleibol, baloncesto y fútbol. Los datos proceden de varias cámaras que graban las mismas acciones desde distintos ángulos para crear un modelo en 3D del juego. Sin embargo, los datos distan mucho de ser perfectos, con muchas instancias de oclusión de pelota, pases impredecibles y trayectorias irregulares.
Los resultados muestran unas mejoras respecto a las técnicas existentes. "Demostramos, con secuencias de voleibol, baloncesto y fútbol del mundo real, que nuestro enfoque es más robusto y más preciso que otros más vanguardistas", afirman.
No obstante, no es perfecto. Un hito crucial de rendimiento para estos sistemas es la capacidad de producir una repetición virtual del movimiento del balón con la rapidez y la precisión que requiere el público televisivo. Es mucho pedir, entre otras cosas porque este sistema mejora el rastreo de los jugadores durante el transcurso de la secuencia en vídeo, pero esto tiene la desventaja de aumentar drásticamente el tiempo de procesamiento.
Pero un tiempo de procesamiento mayor limita gravemente la utilidad del sistema para la transmisión en directo de eventos deportivos cuando las repeticiones virtuales han de estar disponibles de forma casi instantánea.
Sin embargo, la precisión de ciertos tipos de rastreo de pelotas - los lanzamientos balísticos, por ejemplo - resulta más fácil de conseguir en las secuencias cortas porque existe menos imprevisibilidad. Así que algún tipo de proceso de optimización debería ayudar con esto.
Con este tipo de trabajos, nos acercamos más al rastreo de la pelota en deportes como el fútbol, baloncesto y voleibol. Pero aún no tiene la velocidad suficiente para que resulte comercialmente viable para la televisión deportiva.
Eso puede que requiera un cambio radical en la manera en la que los investigadores abordan este problema. Una posibilidad podría ser emplear técnicas de aprendizaje profundo, donde un sistema de inteligencia artificial aprenda a predecir los futuros movimientos de pelota mediante los conocimientos adquiridos en partidos anteriores. Eso podría simplificar en gran parte algunas de las tareas del rastreo de pelotas.
En todo caso, queda trabajo por hacer.
Ref: http://arxiv.org/abs/1511.06181: What Players Do With the Ball: A Physically Constrained Interaction Modeling