利物浦用DeepMind的AI制定战术已有三年了

作者:米妮小小编发布时间:2024-03-20 15:51:07阅读次数:0


机器之心报道

机器之心编辑部

如果足球战术都是 AI 设计的,那很难想象其他事情有什么不可以。

足球界最炙手可热的年轻教练既不是勒沃库森的阿隆索、兰斯的斯蒂尔,也不是博洛尼亚的莫塔,它可能是个 AI,来自谷歌 DeepMind。

图片

球迷朋友们可能还记得,利物浦在 2019 年 5 月 8 日欧洲冠军联赛半决赛中实现的历史性翻盘。其中最具标志性的时刻是下半场阿诺德出其不意的角球,奥里吉打进了利物浦可能是历史上最伟大的进球。

图片

在那场比赛,利物浦上演了不可思议的大逆转,人们称之为「安菲尔德奇迹之夜」,当时克洛普的战术哲学也让很多球迷津津乐道。

赛后的球员访谈中有人提到,利物浦教练组观察到巴塞罗那队定位球防守时习惯于花时间安排站位,所以特意提醒球员可以尝试定位球快发。

这不知是看完多少盘录像带才得出的结论。而现在,AI 已经可以提供不逊于人类专家的战术指导了。

在今天的《自然》杂志子刊 Nature Communications 中,我们看到了谷歌 DeepMind 与利物浦足球俱乐部合作的一项成果:TacticAI。这是一种通过预测和生成式 AI 为专家提供战术见解的 AI 系统,特别是角球方面的见解。

图片

在足球运动中,每支队伍需要派出 11 名球员,并且比赛的场地非常大(长 105 米,宽 65 米),进球往往需要高度的战略性团队合作。此类比赛孕育了细致入微的战略和战术的演变,最终形成了现代职业足球联赛充满戏剧性的观感。

另一方面,球员在场上商定的计划执行是高度动态和不完美的,取决于许多因素,包括球员的健康和疲劳、球员移动和位置的变化、天气、球场的状况以及对方球队的反应。相比之下,定位球提供了对结果施加更多控制的机会,因为比赛中的短暂中断允许球员根据练习和预先商定的模式之一重新定位,并尝试进球。此类定位球的范围包括任意球、角球、球门球、界外球和点球。

在定位球中,角球尤为重要,对角球战术的改进可能会极大地改变比赛结果,并且有助于进行原则性、战术性和详细的分析。

尽管角球方面的黄金标准数据有限,但 TacticAI 通过使用几何深度学习方法来帮助创建更通用的模型,从而实现了最先进的结果。与实践中看到的战术设置相比,TacticAI 的建议在 90% 的情况下都受到人类专家评估者的青睐。

图片

TacticAI 是一个完整的人工智能系统,结合了预测和生成模型,可以分析之前的比赛中发生的情况,以及如何进行调整,使特定结果更有可能发生。

三年的合作

谷歌 DeepMind 与利物浦足球俱乐部的合作已经持续三年了,某种意义上,TacticAI 可以看作是二者推进人工智能体育分析层面应用的集大成者。

二者最初合作的一篇论文《比赛规划》(Game Plan)探讨了为什么人工智能应该用于辅助足球战术,并重点介绍了分析点球等例子。2022 年的 Graph Imputer 展示了如何将人工智能与足球分析下游任务的预测系统原型结合使用。当没有可用的跟踪数据时,该系统可以在镜头外预测球员的动作 —— 否则,俱乐部需要派球探亲自观看比赛。

如今,TacticAI 被开发为一个完整的人工智能系统,将预测模型和生成模型结合在一起。该系统允许教练针对每个感兴趣的例程对替代球员设置进行采样,然后直接评估此类替代方案的可能结果。

TacticAI 旨在解决三个核心问题:

1. 对于给定的角球战术设置,会发生什么?例如,谁最有可能接球,是否会有射门尝试?

2. 一旦战术设置完成,能理解发生了什么吗?例如,类似的策略过去是否有效?

3. 如何调整策略来实现特定的结果?例如,防守球员应该如何重新设计占位以减少对方射门的可能性?

利用几何深度学习预测角球结果

足球规则中,当球触碰防守方球员后越过底线时,判罚角球。由于各个球员的职责以及他们之间的动态变化具有随机性,预测角球的结果非常复杂。这对于 AI 建模来说也是一个挑战,毕竟可用的黄金标准角球数据有限。每个赛季英超每场比赛只有大约 10 个角球。

TacticAI 从原始的时空球员跟踪数据中学习角球战术的有效表示,通过将每个角球情况表示为图表来有效利用这些数据。这是对球员之间关系进行建模的自然表示。

下图(A)为角球情况如何转换为图形表示,其中每个球员都被视为图中的一个节点。图神经网络在此图上运行,并使用消息传递更新每个节点的表示。

图(B)为 TacticAI 如何处理给定的角球。所有四种可能的反射(reflections)组合都应用于角球区,并馈送到核心 TacticAI 模型。这些组合相互作用来计算最终的球员表示,这可以用来预测结果。

图片

TacticAI 通过应用几何深度学习方法成功预测角球比赛。首先通过将角球设置表示为图表,来直接建模球员之间的隐式关系,其中节点表示球员(包括位置、速度、高度等特征),边表示他们之间的关系。然后利用足球场的近似对称性。

下图为在 TacticAI 生成的潜在空间中表示的角球。

图片

DeepMind 采用的几何架构是群等变卷积网络(Group Equivariant Convolutional Networks)的一个变体,它生成了给定情况(original、H-flipped、V-flipped 和 HV-flipped)的所有四种可能的反射,并迫使对接球手和射门尝试的预测在这些反射中保持相同。

图片

论文地址:https://proceedings.mlr.press/v48/cohenc16.pdf

这种方法将本文神经网络可以表示的可能函数搜索空间减少到遵循反射对称性的函数,并使用更少的训练数据生成更通用的模型。

下图为利用 TacticAI 改进角球策略的示例。

图片

向人类专家提供建设性提议

通过利用自身的预测和生成模型,TacticAI 可以帮助教练找到类似的角球并测试不同的战术。

根据传统做法,为了制定防守战术和反击战术,分析师们会重新观看大量比赛录像,以寻找类似的角球并研究对手球队。TacticAI 自动计算球员的数字表示,使专家能够轻松高效地查找相关的过往惯例(routines)。

DeepMind 通过与足球专家的广泛定性研究进一步验证了这一直观观察,并发现 TacticAI 的 top-1 检索在 63% 的时间内呈现相关性,几乎是基于直接分析球员位置相似性方法中 33% 基准结果的两倍。

TacticAI 的生成模型还允许教练重新设计角球战术,以优化某些结果的概率,例如减少防守中被射门的概率。TacticAI 提供战术建议,调整特定球队中所有球员的位置。从这些提议的调整中,教练可以更快地识别重要的模式,以及战术成功或失败的关键球员。

下图 (A) 为现实中存在射门尝试的角球示例。(B) 为 TacticAI 可以生成一种反事实设置,通过调整防守球员的位置和速度来降低射门概率。(C) 为建议的后卫位置会降低进攻球员 2-4 的接球概率。(D) 为 TacticAI 能够生成多个此类场景,教练可以检查不同的选项。

图片

下图为 TacticAI 建议的策略改进示例。

图片

在定量分析中,DeepMind 表明了 TacticAI 在预测角球接球手和射门方面是准确的,并且球员的重新定位与真实比赛的展开方式类似。他们还在盲案例研究中定性评估了这些提议,其中评估者不知道哪些战术来自真实比赛,哪些是 TacticAI 生成的。

下图为案例研究任务的统计学分析。

图片

对此,利物浦足球俱乐部的人类足球专家发现, TacticAI 给出的建议非常符合真实的角球区情况,并且在 90% 的情况下更受青睐。这表明,该模型的预测不仅准确,而且有用、可部署。

与原始比赛相比,评估者更青睐的策略改进示例。TacticAI 建议如下:

(A) 大多数评估者更青睐对四位球员的建议;

(B) 距离角球最远的防守球员改善全场跑动;

(C) 改善禁区内中后卫的跑动;

(D) 两名中后卫盯人防守效果明显更好,同时两名边后卫在球门区内站位也更好。

图片

总的来说,TacticAI 展示了辅助人工智能技术为运动员、教练和球迷带来体育革命的潜力。像足球这样的运动也是开发人工智能的动态领域,因为它们具有现实世界、多智能体交互和多模式数据的特点。谷歌 DeepMind 表示,推进体育人工智能可以转化为赛场内外的许多领域 —— 从电脑游戏和机器人到交通协调。

参考链接:https://www.nature.com/articles/s41467-024-45965-x

收藏
分享
发表评论
发布
暂无评论