Les chercheurs de QUT ont développé un algorithme qui peut prédire où un joueur de tennis frappera la prochaine balle en analysant les données de l'Open d'Australie sur des milliers de coups des meilleurs joueurs de tennis masculins.

Dr Simon Denman, un chercheur principal avec le discours, L'audio, Laboratoire de technologie de l'image et de la vidéo, a déclaré la recherche sur le jeu de match de Novak Djokovic, Rafael Nadal et Roger Federer pourraient conduire à de nouvelles façons pour les joueurs de tennis professionnels de prédire les mouvements de leur adversaire ou des jeux de réalité virtuelle offrant la possibilité d'affronter les meilleurs joueurs du monde dans un grand chelem précis mais artificiel.

Le Dr Denman fait partie d'une équipe de chercheurs QUT, y compris Ph.D. étudiant Tharindu Fernando, le professeur Sridha Sridharan et le professeur Clinton Fookes, tous issus de la discipline de traitement de la vision et du signal de QUT, qui a créé l'algorithme pour prédire le prochain coup de tennis en utilisant les données Hawk-Eye de l'Open de tennis d'Australie 2012, fourni par Tennis Australia.

Les chercheurs ont concentré leur attention pour étudier uniquement la sélection de clichés de Djokovic, Nadal et Federer parce qu'ils avaient toutes les données à saisir dans le système sur la façon dont la sélection de coups des joueurs changeait au fur et à mesure que le tournoi progressait.

Les chercheurs ont analysé plus de 3400 tirs pour Djokovic, près de 3500 tirs pour Nadal et près de 1900 tirs pour Federer, ajouter un contexte pour chaque plan, par exemple s'il s'agissait d'un retour, un gagnant ou une erreur.

"Après environ 1000 coups, le modèle a une assez bonne idée de ce qui se passe, " a déclaré le Dr Denman.

"Il faut environ trois matches pour comprendre le style d'un joueur. Une fois qu'il a ces trois matches, c'est assez solide."

Le Dr Denman a déclaré que l'algorithme imitait le cerveau des meilleurs joueurs qui essayaient déjà de prédire le prochain coup de leur adversaire. Alors que le système d'intelligence artificielle a fait ses preuves, son plus grand défi était l'imprévisibilité du joueur le plus grand de tous les temps.

"Nous avons eu une analyse de la précision de ces trois meilleurs joueurs - Djokovic, Nadal et Federer, " a déclaré le Dr Denman.

"Et c'était le moins précis pour Federer, qui est peut-être le plus polyvalent. Il a eu le plus de mal à le prédire. Il peut tout faire, le modèle se trompait donc plus souvent à son sujet.

"Étant donné à quel point le jeu de Federer est difficile à prédire, cela ne fait qu'ajouter au crédit de quelqu'un comme Stefanos Tsitsipas qui a remporté une victoire contre Federer à l'Open d'Australie ce week-end."

Le système d'apprentissage automatique, appelée architecture de réseau contradictoire génératif semi-supervisé, prend en compte quand dans le match un point est joué, parce que la sélection de coups qu'un joueur peut faire 40 fois au service du premier set est très différente du coup qu'il pourrait frapper en luttant pour rester dans le match jusqu'au cinquième set.

Le système peut prédire environ 1000 coups en 30 secondes.

"On entraîne le modèle pour qu'il voie le tir du premier tour, au deuxième tour et au troisième tour - il s'appuie donc sur des expériences comme le fait un humain, " a déclaré le Dr Denman.

"Nous essayons d'imiter ce que nous pensons que le cerveau du joueur de tennis pourrait faire."

Apprendre au système à penser comme un joueur, les chercheurs créent deux formes de mémoire et un moyen pour eux d'interagir pour prendre une décision. "Il y a la mémoire épisodique et il y a la mémoire sémantique, " a déclaré le Dr Denman.

"La mémoire épisodique est en fait des souvenirs individuels. C'est être capable de revenir en arrière et de se souvenir de chaque AVC individuel et de ce qui s'est passé.

"La mémoire sémantique est beaucoup plus abstraite. Ce sont les apprentissages globaux qui sont venus de beaucoup, de nombreux, de nombreux exemples de la mémoire épisodique.

"Ensuite, ces deux souvenirs fonctionnent ensemble en fonction d'un stimulus d'entrée. Ils tirent chacun quelque chose de pertinent de leurs propres souvenirs et l'utilisent pour aider à renforcer la prédiction de ce qui va se passer.

"La mémoire épisodique peut regarder l'entrée et dire" J'ai vu des plans comme ça ici, ici et ici – voici quelque chose d'utile ». La mémoire sémantique dit « nous devrions passer à cette partie du terrain parce que c'est une bonne tactique ».

"Cela aide ensuite à guider la génération de sortie."

Le Dr Denman a déclaré qu'il pense que dans moins de dix ans, les joueurs de haut niveau seront en mesure d'utiliser ce type de technique pour étudier le jeu d'un adversaire à venir.

"Une fois que vous avez le modèle tout formé, vous pouvez simplement fournir des échantillons arbitraires et vous pouvez commencer à examiner différents scénarios de correspondance, " il a dit.

Le système, étant donné les données sur un joueur particulier, pouvait prédire comment ce joueur frapperait la balle au point de rupture si un serveur descendait la ligne ou sortait large. Cela pourrait également prédire la probabilité qu'un joueur particulier essaie de battre un adversaire au filet en frappant un lob ou un tir de passe - et comment cette sélection de tirs pourrait changer à différentes étapes d'un match.

Les chercheurs de QUT ont mené des études de trajectoire similaires qui prédisent des résultats probables dans des domaines aussi divers que la façon dont les pilotes pilotent leurs avions vers les itinéraires que les piétons étaient susceptibles de parcourir dans leur quartier. Cette recherche prévoyant le prochain emplacement de tir au tennis est actuellement en cours d'examen par les pairs pour publication.

Le Dr Denman a déclaré que le tennis était particulièrement adapté à ce type de recherche de trajectoire, étant donné les limites de la taille du terrain et les règles du jeu.

"Cet exemple ici est une trajectoire unique avec le ballon, mais il n'y a aucune raison pour que ces techniques ne puissent pas être appliquées aux sports d'équipe comme le football où vous traquez chaque joueur chanteur des deux côtés, " a déclaré le Dr Denman.

"Le sport est bon dans ce sens pour tout type de problème d'apprentissage automatique parce que vous avez toutes ces contraintes et règles quant à ce qui peut arriver, ce qui peut simplifier certains problèmes par rapport à d'autres domaines."