点球是一种速度极快的事件,通常只有零点几秒,但是理论上,通过人工智能(AI)使用统计数据和机器学习(ML)模型预测扑救是可能的。本文介绍了一个如何利用人工智能预测足球比赛中点球的案例研究。

点球是足球比赛中对球员在本方禁区内犯规的一种处罚形式。判罚点球时,主罚球员必须从距离球门约11m的点球点将球踢出。唯一能够防守点球的球员是对方守门员。这是一种变化很大的事件,没有人能事先知道结果如何,甚至连踢球者和守门员都不知道。然而,一些统计特征可以帮助估计结果。这是一种速度极快的事件,通常只有零点几秒,理论上,通过人工智能(AI)使用统计数据和机器学习(ML)模型预测扑救是可能的。本文介绍了一个如何利用人工智能预测足球比赛中点球的案例研究。

实用的统计和数学测试

如果一名球员在本方禁区内犯规,就会被判罚点球。点球的结果在很大程度上取决于球员的技术,但在某种程度上也取决于他们的运气。踢点球的时间非常短,甚至不到半秒。此时,球速甚至可能超过100km/h,而守门员甚至无法判断射门方向。这是踢球者进球的极短时间,但也是守门员感知正确射门方向并试图扑救的时间。在这短短的时间内,守门员不能仅仅依靠自己的速度,还必须猜测出正确的扑救方向。在我们开始讨论如何预测点球的数学模型或人工智能之前,不妨先进行这个有趣的实验。现在,我们将只研究点球所涉及的组成部分:

  • 根据国际足联的规定,足球球门必须高2.44m,宽7.32m。横梁底边必须距离地面2.44m。
  • 同样根据国际足联的规定,球的周长必须在68cm至70cm之间,等效直径约为23cm。
  • 足球守门员的平均身高约为195cm。在实验中,他们保持静止不动的姿势。

根据这些数据,可以计算出球门的“空位”面积和守门员占据的面积,如1所示。当然,球只能从空位进入球门,否则就会被守门员从其所在的区域扑出。实际上,计算要复杂得多,因为球可以从很多位置进入球门,但在本示例中假定以下数据和信息符合足球门的标准大小和尺寸:

  • 覆盖整个区域的球总数:320(32×10)
  • 被守门员挡出的球数:33
  • 入网球数:287

因此,根据概率的基本定律,球员进球的概率(以百分比表示并取决于守门员的体型)等于:

显然,点球被守门员扑出的概率是相反的结果,即10.3125%。因此,射罚点球的人进球的概率非常高,因为守门员只能在特定的瞬间占据和覆盖特定的区域。然而,我们要重申,这种方法是非常近似的,但从数学的角度来看,它已经足以给出一个粗略的概念。

图1:计算罚球得分概率的简化方法。

根据Luc Arrondel、Richard Duhautois和Jean-François Laslier等研究人员的一些估计,当球员非常有名且技术高超时,罚进点球的概率较低(优秀球员为65%,其他球员为74%)。但在这种情况下,心理因素起了作用。此外,在五次点球中,射门得分的百分比从第一个点球到第四个点球递减,然后在第五个点球时增加,如2的分布图所示:

  • 第一次罚球命中率:86.6%
  • 第二次罚球命中率:81.7%
  • 第三次罚球命中率:79.3%
  • 第四次罚球命中率:72.5%
  • 第五次点球命中率:80%

在任何一次点球大战中,进球的概率都会下降到64.3%,这是任何体育动态都会受到巨大心理压力影响的明显标志。可以看出,这些百分比与上述计算结果相差不大。

图2:罚进点球的百分比从第一个点球到第四个点球逐渐下降,然后在第五个点球时又会增加。

AI能否挽救点球?

新的人工智能研究已初见成效,但其基本支柱完全基于数学和统计学。要了解足球的这一方面,首先是收集过去数千个点球的信息,找到能以某种方式描述射门方向和角度的模式。通过研究这些射门,我们正在寻找一种假定的、可能的“前兆”,用来指示射门的方向。它可以用来告知守门员扑救的角度,尽管规则很可能禁止这种做法。需要收集的数据不仅涉及射门方向,还涉及其他参数。其中最重要的参数包括:

  • 大部分阻挡罚球时守门员所处的位置
  • 罚球的时间范围
  • 射门角度
  • 踢球的球门区域
  • 点球踢高和踢低的区别
  • 罚球时用的脚(右脚或左脚)
  • 球跑动的长度和速度

可以看出,有很多参数,尽管使用得当,预测射门方向仍然是一项非常困难的任务。然而,利用人工智能创建预测点球扑救的模型还是有可能的。人工智能越来越多地出现在足球世界中,其可能的应用之一就是帮助守门员扑救点球。对守门员来说,罚点球是最困难的情况之一,因为踢球者可以选择不同的球速和轨迹,正如我们在上一节中所学到的。人工智能可以帮助守门员预测这些选择,并做出相应的准备。人工智能可以通过分析历史数据来帮助守门员扑救点球。利用过去比赛的数据,人工智能可以分析罚球者的倾向,例如他们对特定轨迹或球速的偏好。此外,人工智能还可以分析踢球者的身体动作,例如眼睛和腿部位置,从而找出哪些信号预示着球将遵循的轨迹。此外,它还可以用于创建模拟,让守门员可以在与真实足球运动员策略和轨迹相同的虚拟对手面前训练扑救点球。在比赛中,人工智能也可以帮助守门员实时做出决策。

使用ML预测点球

现在,我们将看到如何实现一个简单的ML例子。我们可以使用一个大型数据集,其中包含6名国际知名足球运动员踢出的多达3,600个点球。当然,这个数据集是模拟出来的,并不是真实的,它包括以下信息,按列分组:

  • 球员编号:1.克里斯蒂亚诺·罗纳尔多(C罗);2.莱昂内尔·梅西;3.内马尔;4.基利安·姆巴佩;5.卢卡·莫德里奇;6.哈里·凯恩
  • 结果:1.点球得分;0.点球射失
  • 方向:1.左下;2.左上;3.中上;4.右上;5.右下;6.中下

3所示,数据库是通过给每个球员(和每个球门区)分配一定的罚球概率而创建的。根据上述规定,数据集的结构如下:

球员,结果,方向

1,1,1

1,0,1

1,1,1

1,0,1

1,1,2

1,1,2

3,1,3

4,1,4

4,0,5

6,1,6

例如,记录1,1,2表示C罗从左上方射入点球,而记录4,0,5则表示姆巴佩从右下方射失点球。

图3:为了进行模拟和射门预测,球门被分为六个区域。

使用Python进行ML实验需要安装pandas和scikit-learn库。人工智能算法的实现非常简单,可以对数据模型进行训练,并在此基础上进行一些查询。Python脚本的代码如下所示:

from pandas import read_csv

from sklearn.tree import DecisionTreeClassifier

players = read_csv(“players.csv”)

X = players.drop(columns=[‘direction’])

y = players[‘direction’]

model = DecisionTreeClassifier()

model.fit(X.values, y.values)

prediction=model.predict([[1,1]])

print(prediction)

事件的预测是通过“model.predict()”函数完成的。1列出了使用该函数的一些示例。

问题 Python中的查询 AI响应
如果C罗射罚点球,守门员最有可能向哪里扑救? model.predict([[1,1]]) [3] (top center)
为了避免失误,莫德里奇不应该踢哪个方向? model.predict([[5,0]]) [6] (bottom center)
六名球员的首选方向是什么? model.predict([[1,1],[2,1],[3,1],[4,1],[5,1],[6,1]]) [3 1 1 3 3 4]

表1:使用“model.predict()”函数的一些示例。

当然,文章中实现的方法非常简单,不需要干扰AI就能得到结果。但在其他类型的案例研究中,人工智能是必要的,也是不可替代的。我们可以使用“tree.export_text()”功能,以文本模式将决策树可视化(见4)。

图4:Python生成的文本格式的决策树。

要使用scikit-learn库和matplotlib以图形方式显示决策树,可以采用“DecisionTreeClassifier”类的“plot_tree”方法,如5所示。

图5:使用Python和“matplotlib”库生成的分层图形格式的决策树。

总结

人工智能可通过多种方式帮助守门员扑救点球。历史数据分析和点球模拟器只是人工智能如何帮助守门员提高表现和增加成功机会的几个例子。不过,影响扑救的因素有很多,因此很难准确预测守门员能否成功扑救点球。

(原文刊登于EE Times姊妹网站EEWeb,参考链接:Using AI to Predict Penalty Kicks in a Soccer Game,由Franklin Zhao编译。)

本文为《电子工程专辑》2024年6月刊杂志文章,版权所有,禁止转载。免费杂志订阅申请点击这里

责编:Franklin
本文为EET电子工程专辑原创文章,禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
  • 这是一个吃饱了撑的预测,是个伪科学。点球完全是球员心理素质的表现。
阅读全文,请先
您可能感兴趣
值得关注的是,比亚迪将重点投资于生成式AI、大模型等先进技术,即通过生成式AI技术,更好地理解和预测复杂的交通环境,从而提供更加精准和可靠的驾驶辅助,从而提升其智能驾驶系统的性能和用户体验。
有匿名消息人士透露,微软近期正在对Azure云业务进行裁员。主要影响 Azure for Operators 和Mission Engineering在内的团队,其中Azure for Operators就要裁员1500个岗位。
连续的巨额亏损,使得夏普需要为该工厂寻找新的出路。LCD和半导体在很多制造工艺上有共通之处,特别是在无尘生产上(生产过程中的颗粒和灰尘会导致产量降低)均有很高的环境要求。因此,LCD工厂的洁净室,可最大程度地降低这种风险,也自然适合芯片的生产和开发。
最近,Lattice的首席执行官吉姆·安德森(Jim Anderson)宣布离职,原因是“追求在其他公司的机会”。而仅仅几分钟后,芯片和光学元件制造商Coherent就宣布将任命Anderson为首席执行官,即日起生效。
关于埃隆·马斯克为特斯拉预留的英伟达AI芯片优先用在了社交媒体平台X和人工智能初创企业xAI,引起热议。在社交平台X上,马斯克表示,“特斯拉没地方把 Nvidia 芯片送去开机,所以只能放在仓库里。Giga Texas 的南扩建工程已接近完工。这里将容纳 5 万台 H100用于 FSD 培训。”
在手机芯片架构上,Arm可以说卡着全球科技巨头的“脖子”,但要想在PC市场复制这样的垄断优势似乎很难实现。对于Arm计划在未来五年内占据超过50%的Windows PC市场份额,我们还是持谨慎乐观的态度。
第二季AI服务器对大容量SSD的需求持续看涨,除了推升第二季Enterprise SSD合约价格续涨超过两成,预估第二季Enterprise SSD营收成长幅度仍有机会续增20%。
能源行业在经历了几十年的市场发展之后,很多旧引擎正在逐渐熄火,劳动力不再廉价,环境污染也被重视并逐步禁止了。固定资产投资正在从基础设施转向工业现代化智能化、绿色能源转型这样的新引擎。
适逢公司成立十周年之际,加特兰围绕“Next Wave”这一主题,发布了全新毫米波雷达芯片平台、技术和方案,并携手产业链合作伙伴,共同探讨在智能化加速发展的当下,毫米波雷达行业如何以创新技术满足日新月异的感知需求,助力智能汽车、智能家居等创新应用普及,共赴智能化新未来。
6月6日,由上海临港经济发展集团科技投资有限公司主办的司南半导体超级孵化器启动仪式暨半导体技术先锋论坛在临港新片区国际创新协同区创新魔坊3期顺利举办。临港新片区党工委副书记、一级巡视员吴晓华,临港集团党委委员、副总裁刘伟,上海市科委创新处、临港新片区管委会高科处、上海市科技创业中心、上海集成电路协会、临港科技投资公司负责人出席本次论坛。本次论坛集聚了来自产业界、学术界、投资界、金融界的合作伙伴和领军人才。
点击左上方蓝色“一口Linux”,选择“设为星标”第一时间看干货文章 ☞【干货】嵌入式驱动工程师学习路线☞【干货】Linux嵌入式知识点-思维导图-免费获取☞【就业】一个可以写到简历的基于Linux物
WitDisplay消息,由广州光亚法兰克福展览有限公司、车载显示产业生态联盟主办,WitDisplay承办的“2024广州智能座舱生态大会暨车载显示论坛”将于6月11日在广州中国进出口商品交易会展馆
【智能汽车电子与软件】专注于汽车电子领域的信息交融平台,涵盖汽车电子行业资讯、市场动态、技术干货、知识见解、行业趋势等资讯深度覆盖。现邀请您添加智能汽车电子与软件的小编——小璇,获取海量福利。福利1:
2023年INMO Go、雷鸟X2和魅族MYVU等搭载硅基Micro LED的AR产品相继发布,标志着硅基Micro LED在消费电子领域的量产出货。由此,备受行业期待的Micro LED终于实现了量
WitDisplay消息,由中国电子视像行业协会智能终端芯片及核心器件分会(筹)指导,大话芯片研究院主办的“2024北京显示芯片技术交流会”将于6月21日下午在北京朝阳电子城IC/PIC创新中心 E座
点击上方名片关注了解更多注:排名无先后,如有遗漏错误之处请指正,联系方式如下:投稿邮箱:ittbank@ittbank.com, ITTBANK客服热线:0755-25839333硬件工程师及从业者都
Navitas 近日宣布推出其全新的第三代“快速”(G3F) 650 V 和 1,200 V SiC MOSFET 产品组合,这些产品组合针对最快的开关速度、最高的效率和更高的功率密度进行了优化,适用
2024台北国际电脑展(COMPUTEX Taipei)6月4日至7日在台北南港展览馆举办,展会以“AI串联、共创未来”为主轴。作为亚洲最具代表性的资通讯产业专业展,此次展会汇聚全球1500家海内外科
6月7日,据韩媒《hankooki》报道,三星显示用于苹果iPad Pro的有机发光二极管(OLED)面板的生产效率已进入正常范畴。据业内消息,三星显示在上个月大幅提升了iPad Pro用OLED的良
邀请行业专家、企业代表、技术研发人员及终端应用企业共同探讨和交流。 文|新战略随着科技的不断发展,无人叉车作为物流自动化的重要设备,在多个行业中发挥着越来越重要的作用。尤其是在“深水区”场景中,无人叉