No vídeo acima, Lambert mostra como a ferramenta CV identifica o eixo de rotação das bolas com um ponto verde neon e a orientação da costura em outros tons neon.
“Acho que esse é provavelmente o uso mais aplicável do CV no momento… obter algumas métricas que não consigo obter do Hawk-Eye”, disse Lambert. “Tenho certeza que você pode imaginar se meu irmão do ensino médio em Cincinnati está jogando um bullpen e ele simplesmente não tem um Trackman disponível, se conseguirmos algumas filmagens, algumas avaliações do que está acontecendo, podemos ajustar melhor esse processo a partir daí.”
Um sistema de visão computacional aprende analisando milhares e milhares de imagens rotuladas – às vezes até milhões, como no caso de algo que foi a primeira tentativa de Tesla de autodirigir – usando redes neurais convolucionais para então identificar padrões e compreender hierarquias espaciais. Isso é um aprendizado profundo.
Boddy e outros da Driveline fizeram toneladas de marcação, trabalho pesado, para treinar o sistema – marcando as costuras, pivôs e tipos de curvatura de milhares e milhares de lances registrados. O sistema ainda está aprendendo, está ainda melhor.
Lambert fez cerca de 50 arremessos no início deste mês, estudando o voo da bola e o efeito de cada ajuste guiado pelo feedback do mundo real da IA do Driveline.
Ele não foi capaz de replicar perfeitamente o arremesso em um bullpen, mas foi capaz de imitar algumas de suas características depois de apenas uma pegada e liberar recomendação de nosso modelo de visão computacional e alguns ajustes.
“O que consegui recriar foi conseguir fazer uma corrida com o braço alto que ele lançaria”, disse Lambert. “Não consegui diminuir a eficiência do giro o suficiente para obter a ação do giroscópio. Descobri que era mais fácil basicamente criar um perfil de mudança com supinação (liberação) do que criar uma verdadeira versão giroscópica de seu controle deslizante. Essa foi uma grande parte do processo de iteração. Na verdade, não demorou muito para produzir alguns arremessos de arma lateral de alta velocidade. “
Imagine o que verdadeiros arremessadores e treinadores profissionais e universitários poderiam fazer com esta ferramenta?
Essa é uma aplicação do modelo de visão computacional: ajuda treinadores e jogadores a entender como começar a lançar.
O diretor de pitching da Driveline, Connor White, explica o outro grande benefício do design de pitching assistido por aprendizagem profunda.
“A velocidade da análise é uma das coisas mais interessantes”, disse White. “Queremos manter essas canetas como no jogo. Então, se isso significa que você tem que parar após cada lançamento e olhar um monte de métricas e consultar o vídeo, e a próxima coisa que você sabe é que já se passou um minuto ou mais entre os lançamentos, isso realmente quebra esse fluxo. … A visão computacional permite que você observe o observado versus o rotacional (movimento), aproximando a física da bola do que está acontecendo em tempo real.
“A velocidade com que esses (avanços) podem ser aplicados é muito emocionante.”
Encurtar o ciclo de feedback e entender o que o argumento de venda está fazendo é realmente emocionante.
Nosso modelo de visão computacional não é um produto acabado, mas já está produzindo resultados em nossas academias.
O técnico de arremesso do Driveline, Grayson Liebhardt, diz que isso já o está ajudando como treinador.
“É uma ferramenta realmente útil”, disse Liebhardt. “Está nos estágios iniciais de desenvolvimento, mas nos ajuda a preencher a lacuna e a compreender a orientação da costura sem qualquer acesso aos dados que as organizações profissionais têm… Isso apenas nos dá mais contexto sobre por que um material pode se mover de uma determinada maneira ou como otimizar a orientação da costura para determinados perfis de movimento.
“A física do arremesso não está totalmente resolvida. Há muitas coisas, não-magnusianas, como a trajetória deslocada e possivelmente outras variáveis que talvez nem saibamos que afetam o vôo da bola”, disse Liebhardt.
Por exemplo, Liebhardt observa que sabemos como uma trajetória deslocada afeta o voo da bola, mas não podemos quantificar o quanto isso afeta o movimento juntamente com outras variáveis, algumas das quais “podemos nem considerar agora”.
Não sabemos tudo. E o que é mais interessante é que a visão computacional levará a uma melhor compreensão.
“Essas são ferramentas muito úteis para usar as informações que já temos”, disse ele sobre o currículo, “bem como para coletar mais informações para que possamos aprender mais sobre a física do tilt”.
O que também é interessante sobre os avanços da IA no mundo real é que eles estão constantemente aprendendo e melhorando.
“O que é ótimo para mim é que posso ver mais facilmente a orientação da costura e o eixo de rotação”, disse Liebhardt. “É apenas algo que, historicamente, você teria (estudado) uma câmera Edgertronic e tentaria encontrá-la e adivinhar onde estaria o eixo de rotação.”
Liebhardt agora tem uma ferramenta que elimina mais suposições.
Ele compartilhou este clipe de outro discurso misterioso no estilo Imai, este do atleta Driveline Tony Oreb.
Credit Post By: Travis Sawchik