通过人工智能研究推动体育分析的发展
推动体育分析发展的人工智能研究
创建测试环境以促进将人工智能研究从实验室推向现实世界是非常具有挑战性的。考虑到人工智能与游戏的长期关联，体育运动无疑提供了一个令人兴奋的机会，为研究人员提供了一个实验室，在这个多智能体环境中，AI系统可以帮助人类在与数十个动态互动个体进行复杂的实时决策。
体育数据收集的迅速增长意味着我们正处于体育分析的一个非常重要的时代。体育数据的可用性在数量和细节上都在增加，从以往的总体高水平统计数据和刀锋统计学转变为更精细的数据，例如事件流信息（例如，注释的传球或射门），高保真度的球员位置信息以及身体传感器。然而，体育分析领域只是最近才开始利用机器学习和人工智能来理解和指导体育决策者。在我们最近与利物浦足球俱乐部（LFC）合作发表的一篇JAIR论文中，我们设想了使用统计学习、视频理解和博弈论的体育分析未来格局。我们特别阐述了足球作为一个有用的微观研究人工智能的缩影，长远来说为体育决策者提供自动化的视频助理教练（AVAC）系统（图1(A)）。
足球 – 人工智能的有趣机遇
与其他一些体育项目相比，足球在系统性收集大量数据以促进球队比赛的科学分析方面相对较晚。这有几个原因，其中最主要的原因是与其他体育项目相比，足球的游戏设置较少可控（大型户外场地，动态比赛等），并且还主要依赖于具有专业足球经验和记录的人类专家。在这方面，阿里戈·萨基（Arrigo Sacchi）是一位成功的意大利足球教练和经理，他在他的职业生涯中从未参加过职业足球比赛，对于他在1987年成为米兰队教练时缺乏经验的批评，他用他的名言回应：“我从未意识到要成为骑师，你首先要是一匹马。”
足球分析提出了适用于各种人工智能技术的挑战，涉及到3个领域的交叉：计算机视觉、统计学习和博弈论（如图2所示）。虽然这些领域在足球分析中各自都很有用，但将它们结合起来的好处尤为明显：球员需要在其他球员（合作和对抗）存在的情况下进行顺序决策，因此博弈论，即交互决策理论，变得非常相关。此外，可以基于比赛中的信息和特定球员的表示来学习解决特定比赛情况的战术方案，这使得统计学习成为一个非常相关的领域。最后，球员可以从广泛可用的图像和视频输入中被跟踪，比赛场景可以自动识别。
我们设想的AVAC系统位于这三个研究领域的交集所形成的微观世界中（图2）。在我们对这个令人兴奋的领域的研究中，我们不仅为未来多年可以解决的科学和工程问题制定了路线图，还在博弈论分析、统计学习和计算机视觉的交叉路口呈现了新的原创结果，以展示这个令人兴奋的领域对足球的贡献。
人工智能如何帮助足球
博弈论在体育研究中发挥着重要作用，可以为球员的行为策略提供理论基础。对于足球而言，许多情景实际上可以建模为零和游戏，这个概念自博弈论的诞生以来就得到了广泛研究。例如，我们将点球情况建模为一个两个玩家的非对称游戏，点球者的策略可以清楚地归类为左射、中射或右射。为了研究这个问题，我们在点球情景中增加了基于玩家风格的博弈论分析，并使用球员向量对个体足球球员的打法进行总结。通过这样对个体球员的表示，我们能够将具有相似打法的点球者分组，并在组水平上进行博弈论分析（图3）。我们的结果表明，不同组别的点球者的射门策略在统计上是不同的。例如，我们发现其中一组更喜欢射向球门左侧的角落，而另一组则更倾向于将球射向左右两个角落。这样的见解可以帮助守门员在面对不同类型的球员时多样化他们的防守策略。在这个博弈论视角的基础上，人们可以考虑足球的持续性特征，通过将足球分析为时间延伸型游戏，为个体球员提供战术建议，甚至进一步优化整个团队的策略。
在统计学习方面，对个体球员和足球球队的行为进行信息化总结的表示学习尚未完全被运用于体育分析中。此外，我们认为博弈论和统计学习之间的相互作用将进一步推动体育分析的进展。以上述点球情景为例，在分析中增加球员特定的统计数据（球员向量）可以更深入地了解不同类型的球员在点球情景中如何行动或决策。作为这一领域的另一个例子，可以研究“ghosting”，它是一种基于数据驱动的分析，用于分析在事后球员在体育分析中应该如何行动（与在线学习和博弈论中的遗憾概念有关）。ghosting模型提供了给定比赛的替代球员轨迹，例如基于联赛平均水平或选择的球队。预测的轨迹通常以透明图层覆盖在原始比赛上，因此被称为“ghosting”（见图4的视觉示例）。生成式轨迹预测模型使我们能够通过分析比赛的关键情况及其可能的不同演绎方式来获得见解。这些模型还可以预测战术变化、关键球员受伤或替换对本队表现以及对手对这种变化的反应的影响。
最后，我们认为计算机视觉是推动最先进体育分析研究边界的最有前途的途径之一。通过纯粹从视频中检测事件，这是计算机视觉社区中已经得到广泛研究的一个主题（例如，请参阅以下调查和我们的论文以获取更多参考资料），应用的潜力是巨大的。通过将事件与特定帧关联起来，视频变得可搜索且越来越有用（例如，自动生成精彩画面成为可能）。而足球视频则为计算机视觉提供了一个有趣的应用领域。大量的足球视频满足了现代人工智能技术的先决条件。虽然每个足球视频都是不同的，但设置并没有很大的变化，这使得该任务非常适合用于改进人工智能算法。同时，还存在第三方提供的手工标注的事件数据，这对于训练视频模型非常有用，但生成这些数据需要耗费大量时间，因此足球事件检测可以使用有监督和无监督的算法。例如，图1(B)提供了用有监督方法训练的深度学习模型对视频中的目标事件（例如踢球）进行识别的一个程式化可视化。
将先进的人工智能技术应用于足球有潜力在许多方面彻底改变这项运动，包括球员、决策者、球迷和广播公司。这样的进展也很重要，因为它们还有可能进一步使体育本身民主化（例如，不再依赖于现场球探/专家的判断，而是可以使用诸如计算机视觉等技术来量化来自代表性不足地区、低级别联赛等的球员的技能）。我们相信，由足球微观世界提供的越来越先进的人工智能技术的发展可能适用于更广泛的领域。为此，我们将在今年晚些时候与几个外部组织者共同组织一场IJCAI 2021体育分析人工智能研讨会，欢迎有兴趣的研究人员参加。对于对这个主题感兴趣的研究人员，已经由诸如StatsBomb（数据集链接）等分析公司和更广泛的研究社区（数据集链接）提供了可公开获取的数据集。此外，该论文还对这个领域的研究进行了全面的概述。
论文和相关链接：
- JAIR论文
- IJCAI 2021体育分析人工智能虚拟研讨会
