新的人工智能算法可预测运动队的动作 准确率达80%

这些算法的独特之处在于，它们对行动预测采取了一种全面的方法，将视觉数据--例如，运动员在球场上的位置--与更隐含的信息相结合，如运动员在团队中的具体角色。

领导这项研究的Silvia Ferrari说：“计算机视觉可以解释视觉信息，如球衣颜色和球员的位置或身体姿势。”她是机械和航空航天工程的约翰-布兰卡西奥教授。“我们仍然使用这种实时信息，但整合了隐藏的变量，如团队战略和球员角色，我们作为人类能够推断的东西，因为我们是这种特定环境的专家。”

Ferrari和博士生董俊毅和霍清泽通过观看比赛训练算法来推断隐藏的变量--与人类获得体育知识的方式相同。这些算法使用机器学习从排球比赛的视频中提取数据，然后在显示一组新的比赛时使用这些数据来帮助做出预测。

康奈尔大学智能系统和控制实验室开发的算法可以预测排球运动员在比赛中的行动，准确率超过80%，现在该实验室正在与Big Red冰球队合作，以扩大该研究项目的应用。

该成果于9月22日发表在《ACM智能系统与技术》杂志上，并显示该算法可以推断球员的角色--例如，区分防守传球者和阻挡者--平均准确率接近85%，并且可以在多达44帧的序列中预测多个动作，平均准确率超过了80%。这些动作包括扣球、拦截、跑步、垫球、下蹲、站立、跌倒和跳跃。

机器学习是一种利用计算机在大规模数据集中检测模式，然后根据计算机从这些模式中学习到的内容进行预测的技术。这使得机器学习成为一种特定的、狭窄的人工智能类型。

Ferrari设想团队使用这些算法来更好地准备比赛，用对手的现有比赛录像来训练它们，并使用它们的预测能力来练习特定的战术和比赛场景。

Ferrari已经申请了一项专利，目前正与Big Red男子冰球队合作，进一步开发该软件。利用球队提供的比赛录像，Ferrari和她的研究生在 Frank Kim的带领下，正在设计算法，以自主识别球员、行动和比赛场景。该项目的一个目标是帮助注释游戏影片，如果由团队工作人员手动执行，这是一项繁琐的任务。

“我们的项目主要强调视频分析和数据技术，”康奈尔男子冰球队运营总监Ben Russell说。“我们一直在寻找作为教练组的发展方式，以便更好地服务我们的球员。”迄今为止，Ferrari教授和她的学生所进行的研究给我留下了非常深刻的印象。我相信这个项目有可能极大地影响球队研究和准备比赛的方式。"

Ferrari说，除了体育之外，预测人类行动的能力对未来的人机互动有着巨大的潜力。她说，改进后的软件可以帮助自动驾驶汽车做出更好的决定，使机器人和人类在仓库中更紧密地联系在一起，甚至可以通过加强计算机的人工智能使视频游戏变得更有趣。

“人类并不像现在的机器学习算法那样不可预测，”Ferrari说，她也是负责跨校区工程研究的副院长，“因为如果你真正考虑到所有的内容，所有的背景线索，并且你观察一群人，你可以在预测他们要做什么方面做得更好。”