Peneliti University of Waterloo telah mengembangkan teknologi buatan baru (AI) yang dapat secara akurat menganalisis kinerja pitcher dan mekanik menggunakan video game bisbol resolusi rendah.
Sistem, yang dikembangkan untuk Baltimore Orioles oleh tim Waterloo, menyumbat lubang dengan teknologi yang jauh lebih rumit dan mahal yang sudah dipasang di sebagian besar stadion yang menjadi tuan rumah Major League Baseball (MLB), yang timnya semakin memanfaatkan analitik data dalam beberapa tahun terakhir.
Sistem-sistem itu, yang diproduksi oleh perusahaan bernama Hawk-Eye Innovations, menggunakan beberapa kamera khusus di setiap taman untuk menangkap pemain beraksi, tetapi data yang mereka hasilkan biasanya tersedia untuk tim tuan rumah yang memiliki stadion permainan tersebut dimainkan.
Untuk menambahkan game tandang ke operasi analitik mereka, serta menggunakan video smartphone yang diambil oleh Scouts di Minor League dan College Games, Orioles meminta video dan AI Ahli di Waterloo untuk bantuan sekitar tiga tahun yang lalu.
Hasilnya adalah sistem yang relatif sederhana yang disebut Pitchernet, yang mengatasi tantangan seperti gerakan kabur untuk melacak pergerakan pitcher pada gundukan, kemudian menghasilkan data pada metrik termasuk kecepatan pitch dan titik pelepasan dari siaran standar dan video smartphone.
“Orioles mendekati kami dengan masalah karena mereka tidak dapat menganalisis posisi pose dan, selanjutnya, biomekanik pitcher mereka di permainan yang mungkin tidak memiliki akses ke kamera resolusi tinggi,” kata Dr. John Zelek, seorang profesor teknik desain sistem dan co-direktur laboratorium penglihatan dan pemrosesan gambar (VIP) di Waterloo.
“Tujuan dari proyek kami adalah mencoba menduplikasi teknologi elang dan melampaui itu dengan menghasilkan output yang sama dari video siaran atau kamera ponsel cerdas yang digunakan oleh pengintai yang duduk di suatu tempat di tribun.”
Untuk membantu melatih algoritma AI di jantung teknologi, para peneliti menciptakan avatar tiga dimensi pitcher sehingga gerakan mereka dapat dilihat dari berbagai titik yang menguntungkan.
Informasi dari video yang diproses oleh sistem diberikan kepada analis biomekanik untuk Orioles, yang telah berkomitmen untuk bersama
Data itu dapat digunakan untuk menyesuaikan bagaimana pitcher melempar bola untuk meningkatkan kinerja atau menghindari cedera, dan menilai keberhasilan dan daya tahan prospek pitching di masa depan.
“Teknologi yang ada telah meningkatkan analisis baseball,” kata Jerrin Bright, seorang kandidat PhD yang memiliki peran utama dalam proyek ini. “Namun, ini terbatas pada permainan rumah, ada kebutuhan nyata untuk solusi yang bekerja dalam pengaturan apa pun, terutama untuk Kepramukaan. Di situlah sistem kami masuk.”
Para peneliti sekarang mengeksplorasi penerapan ide yang mendasari – analisis AI pose pemain menggunakan siaran standar dan video ponsel pintar – untuk olahraga profesional lainnya, termasuk hoki dan bola basket, di samping aspek -aspek bisbol lainnya, seperti memukul.
Sebuah makalah tentang proyek tersebut, Pitchernet: Powering the Moneyball Evolution dalam Baseball Video Analytics, disajikan pada konferensi 2024 IEEF/CVF tentang visi komputer dan pengenalan pola.
Fitur Gambar: Peneliti University of Waterloo Jerrin Bright (kiri) dan John Zelek mengembangkan sistem Pitchernet untuk Baltimore Orioles. (University of Waterloo)
