Главная / Разное / Нейросеть поможет обыграть профессионального игрока в настольный теннис

Нейросеть поможет обыграть профессионального игрока в настольный теннис

Нейросеть поможет обыграть профессионального игрока в настольный теннис

Нейросети уже дошли до такого уровня, что могут обыгрывать в шахматы или го профессиональных игроков. С помощью машинного обучения ученые обучают нейросеть, создают реалистичный симулятор, а затем реальный игрок пытается сразиться с мощью алгоритма на компьютере. Однако пока никому не приходило в голову использовать нейросети в активном спорте — например, при игре в настольный теннис. Причем речь идет не о какой-то там компьютерной симуляции, а настоящей игре с реальным соперником.

Теперь можно обыграть даже мирового чемпиона по настольному теннису! Ну, почти

Программисты из Японии смогли настолько хорошо обучить нейросеть, что она в режиме реального времени научилась определять, куда упадет мяч при игре в настольный теннис. Но одно дело, если бы нейросеть просто отслеживала траекторию движения мяча — в этом нет ничего такого удивительного. Самое интересное здесь в том, что ИИ начинает просчитывать потенциальную траекторию по движениям игрока, даже еще до того, как его ракетка коснулась мяча.

Залог успешной игры в настольный теннис кроется не только в умении игрока точно отбивать мяч на сторону стола соперника, он также должен оказаться в нужном месте на своей половине стола, чтобы успеть отправить мяч в противоположную сторону. Поэтому инженеры уже давно разработали робота, который может играть в настольный теннис, отслеживая траекторию мяча. Робот начинает свой просчет только после удара ракеткой, как бы «захватывая» мяч. Однако профессиональный игрок знает, куда будет бить, еще до того, как поднимет ракетку, поэтому отслеживание одного только мяча зачастую не так эффективно.

Нейросеть, которая играет в настольный теннис

Поэтому японские программисты решили разработать нейросеть, которая сможет определять потенциальное движение мяча еще во время замаха ракеткой — по движению руки и корпуса игрока. Но одна нейросеть здесь бы не справилась, поэтому была создана вторая нейросеть, которая работает в паре с первой, при этом все они с разными задачами и архитектурой. Первая нейросеть обрабатывает данные с веб-камеры, которая установлена со стороны принимающего игрока: она покадрово вычисляет положение руки и тела подающего игрока.

После этого в дело вступает вторая нейросеть, которой передаются обработанные данные, а она уже на их основе рассчитывает место падения мяча. Далее с помощью проектора полученная точка выводится на теннисный стол, и инженеры сопоставляют реальное место падения мяча и то, которое было рассчитано нейросетями.

По словам программистов, они самостоятельно собрали все данные для обучения. Они анализировали множество реальных игр по настольному теннису с установленной камерой, которая записывала полет мяча со скоростью 240 кадров в секунду. Чтобы собрать как можно больше исходных данных, разработчики скачали записи теннисных подач с реальными играми из интернета.

Для расчета используются две нейросети

В итоге алгоритм начал работать с завидной точностью. В среднем нейросети смогли точно распознать падение мяча на теннисный стол в 75% всех случаев. Что интересно, работу алгоритма протестировали как на профессиональных игроках, так и на любителях, и в случае с первыми нейросети работали даже лучше. Дело в том, что у профессионального игрока в настольный теннис за много лет уже выработаны характерные движения, которые он совершает перед подачей мяча, а любитель чаще всего подает по-разному.

Встает логичный вопрос — а что если взять человека, который никогда не играл в настольный теннис, и предоставить в его распоряжение такой алгоритм? Инженерам тоже стало это интересно, и они протестировали работу нейросети во время игры между профессиональным игроком и обычным. В результате при помощи нейросетей обычный игрок успешно отбивал подачи на 20% чаще, чем без них.

Это ярко показывает, что области использования нейросетей ничем не ограничены. Они могут осуществлять поиск по картинке или выступать в роли голосового ассистента (та же Алиса уже максимально приблизилась по своему поведению к реальному человеку). Или высчитывать вероятность заболеваний, находить опухоли на снимках, бороться с мошенниками и так далее. А в прошлом году нейробиологи обучили нейросеть переводить сигналы мозга в членораздельную речь! В будущем подобные устройства смогут использовать людьми, потерявшими способность говорить в результате травмы или болезни. Или его можно будет использовать просто для того, чтобы читать ваши мысли. А вот это уже звучит как-то не так приятно, правда?

Источник

Загрузка...
   
        Загрузка...    
   

Посмотрите так же

Почему «умные» холодильники скоро станут бесполезными?

Почему «умные» холодильники скоро станут бесполезными? В начале 2000-х годов с мобильных телефонов можно было …

Для любых предложений по сайту: [email protected]