En el vídeo de arriba, Lambert demuestra cómo la herramienta CV identifica el eje de giro de las bolas con un punto verde neón y la dirección de contacto con otros colores neón.
“Creo que probablemente el uso más viable del CV en este momento es… obtener algunas métricas que no puedo obtener de Hawk Eye”, dijo Lambert. “Estoy seguro de que pueden imaginarse que si mi hermano estuviera en la escuela secundaria en Cincinnati lanzando un bullpen y no tuviera un Trackman disponible, si pudiéramos obtener algunas imágenes, obtener algunas estimaciones de lo que está sucediendo, sería mejor que ajustemos ese proceso a partir de ahí”.
Un sistema de visión por computadora aprende analizando miles y miles de imágenes etiquetadas (a veces millones, como en el caso de los primeros esfuerzos de conducción autónoma de Tesla) utilizando redes neuronales convolucionales para identificar patrones y comprender jerarquías espaciales. Este es un aprendizaje profundo.
Boddy y otros en Driveline etiquetaron mucho y levantaron mucho trabajo para entrenar el sistema: etiquetaron capas, ejes de giro y tipos de tono durante miles y miles de actuaciones grabadas. El sistema todavía está aprendiendo y mejorando.
Lambert realizó alrededor de 50 lanzamientos a principios de este mes, estudiando el vuelo de la pelota y el impacto de cada ajuste guiado por los comentarios de los esfuerzos de IA del mundo real de Driveline.
No pudo replicar perfectamente el campo en un juego, pero pudo simular algunas de sus características después de un solo agarre, una recomendación de nuestro modelo de visión por computadora y algunos ajustes.
“Lo que pude recrear es que podía realizar la carrera alta desde el costado del brazo que iba a lanzar”, dijo Lambert. “No pude terminar la eficiencia de la rotación lo suficiente como para obtener la acción del giro. Básicamente, encontré que era más fácil crear un perfil de cambio con una posición supina (editar) que crear una verdadera versión giroscópica de su control deslizante. Esa fue la mayor parte del proceso de iteración. De hecho, no tomó mucho tiempo producir algunos lanzamientos con carrera alta en el costado del brazo”.
¿Imagínese lo que los lanzadores y entrenadores profesionales y universitarios podrían hacer con esta herramienta?
Esta es una aplicación del modelo de visión por computadora: ayudar a los entrenadores y jugadores a comprender cómo iniciar un tiro.
Conor White, Pitch Manager de Driveline, explica el otro gran beneficio de diseñar una presentación con la ayuda del aprendizaje profundo.
“La velocidad del análisis es una de las cosas más interesantes”, dijo White. “Queremos hacer que esos bolígrafos parezcan un juego. Entonces, si tienes que detenerte después de cada lanzamiento y mirar un montón de métricas y volver al video, y lo siguiente que sabes es que ha pasado aproximadamente un minuto entre lanzamientos, es realmente una especie de lapso que fluye… La visión por computadora te permite observar el (movimiento) observado versus cómo se ve el giro, lo que se acerca a la física de la pelota de lo que está sucediendo en tiempo real”.
“La velocidad a la que se pueden implementar estos (desarrollos) es muy emocionante”.
Acortar el ciclo de retroalimentación y comprender lo que hace la presentación es realmente emocionante.
Nuestro modelo de visión por computadora no es un producto terminado, pero ya está logrando resultados en nuestros gimnasios.
El entrenador de lanzadores de Driveline, Grayson Liebhardt, dice que realmente le ayuda como entrenador.
“Es una herramienta realmente útil”, dijo Liphart. “Está en una etapa temprana de desarrollo, pero nos ayuda a cerrar la brecha, entendiendo la dirección de la costura sin ningún acceso a los datos que tienen las organizaciones profesionales… Nos brinda más contexto sobre por qué una presentación se mueve de cierta manera o cómo optimizar la dirección de la costura para ciertos perfiles de movimiento”.
“La física del campo no se ha resuelto por completo. Hay muchas cosas que no tienen nada que ver con Magnus, como el movimiento variable de la costura, y tal vez otras variables que quizás ni siquiera conozcamos, que afectan el vuelo de la pelota”, dijo Liphart.
Por ejemplo, Lijphart señala que sabemos cómo el cambio de contacto afecta el vuelo de la pelota, pero no podemos determinar cuánto afecta el movimiento junto con otras variables, algunas de las cuales, señala, “es posible que actualmente no las tengamos en cuenta”.
No lo sabemos todo. Lo que es muy emocionante es que la visión por computadora conducirá a una mayor comprensión.
“Estas herramientas son muy útiles para aprovechar la información que ya tenemos, así como para recopilar más información para que podamos aprender más sobre la física del estadio”, dijo sobre el CV.
Lo que también es emocionante acerca de los avances de la IA en el mundo real es que siguen aprendiendo y mejorando.
“Lo bueno para mí es que puedo tener una manera más fácil de observar la dirección de la costura y el eje de rotación”, dijo Liphart. “Es algo que, históricamente, habría que (estudiar) la cámara Edgertronic e intentar encontrarla y adivinar dónde está el eje de rotación”.
Ahora, Liebhardt tiene una herramienta que elimina aún más conjeturas.
Compartió este clip de otro programa de misterio que se parece a Imai, este del atleta de Driveline Tony Uribe.