人工智能體育應用場景案例分析

楊耿 蔡鐵 華悅來 林仕龍 黃巍 陳華洋 賴紅 李欽

(深圳信息職業技術學院 廣東深圳 518000)

目前，我國正在大力推行體育強國政策，體育強國是新時期我國體育工作改革和發展的目標與任務。2019年9月，國務院辦公廳印發《體育強國建設綱要》，提出將全面實施青少年體育活動促進計劃。2020年8月，由體育總局、教育部印發的《關于深化體教融合促進青少年健康發展的意見》中提出：加強學校體育工作；完善青少年體育賽事體系；加強體育傳統特色學校；大力培養體育教師。2020 年10 月，國務院辦公廳印發了《關于全面加強和改進新時代學校體育工作的意見》，指出到2022年，健全學校體育工作制度機制，全面提高教育教學質量，提升學生身體素質，到2035年，形成多樣化、現代化、高質量的學校體育體系。

近年來，我國人工智能（AI）產業快速崛起，憑借著互聯網產業的快速發展積累了龐大規模的基礎數據，再加上數據挖掘利用技術的進步，數據、技術和政策效應相互疊加，催生了一大批新型AI 應用產業，而體育領域正是AI 技術應用的最佳場景之一。AI 可以極大地提升體育活動人群的參與感和運動后的效果，有效幫助大家了解體育活動對于人們從微觀到宏觀的影響。同時，人們在使用智能化健身設備時，將會產生大量健身數據，這些數據可以對我國國民體質現狀進行評估，并對體育政策的制定提供重要的參考意義。

如今，中國體育正處于從體育大國向體育強國邁進的重要歷史時期，應當利用新一代信息技術尤其是AI 技術做好引導參與體育活動的人員進行規范、高效的體育鍛煉，學會運用AI 輔助進行體育鍛煉，增強體質。該文結合過去和現在的AI 在體育方面運用的實例，深入探討AI 在體育建設路上的應用場景與應用方法。

1 AI關鍵技術

1.1 卷積神經網絡

卷積神經網絡［1，2］是一類包含卷積計算，并且含有深層次結構的深度前饋神經網絡，它能有效地將包含大數據量的原始數據降維成小數據量，并有效地保留原始數據特征，是深度學習的重要組成部分，廣泛應用于AI的計算機視覺、圖像分析、目標識別、自然語言處理等領域，并取得了舉世矚目的成就。卷積神經網絡按結構可分為輸入層—卷積層—池化層—全連接層—輸出層。卷積層負責提取輸入的特征信息，低層卷積只能提取到低級特征，如邊緣、線條等，高層卷積可以提取更深層的特征。池化層負責壓縮特征圖，提取主要特征，大幅降低參數量級，簡化網絡計算的復雜度，全連接層負責給出最后的分類結果。在體育領域，可利用卷積神經網絡提取體育多媒體數據（如視頻、圖像、語音、文字等）的特征，為體育應用場景服務。

1.2 目標檢測

目標檢測是計算機視覺中用于確定圖像某個區域是否含有要識別的對象。近年來，目標檢測算法通過采用卷積神經網絡與深度神經網絡，取得了很大的突破。目前，主流的目標檢測算法包括基于Region Pro‐posal 的R-CNN［3］算法以及基于one-stage 的Yolo［4］或SSD［5］算法。前者準確度更高，但是速度較慢；后者算法速度較快，但準確性相對前者略低。目標檢測有2個主要任務：物體定位與分類。為完成這2個任務，以R-CNN為例，可分為以下步驟：輸入一張圖片，通過指定算法從圖片中提取2000 個左右類別獨立的候選區域；對于每個候選區域利用卷積神經網絡來獲取一個特征向量；對于每個區域相應的特征向量，利用如支持向量機SVM的分類器進行分類，決定輸出類別；送入到全連接網絡以回歸的方式精修候選區域。采用目標檢測算法，可以在體育視頻或體育圖像中提取感興趣物體位置，并識別物體的類別。如在籃球運動視頻中識別籃球隊員、籃球與籃筐；在田徑比賽視頻中識別跑步運動員、跑道；在足球運動視頻中識別足球隊員的號碼、足球、裁判員、守門員與門框等。

1.3 動作識別

動作識別技術主要運用計算機強大的處理和運算能力，對動作姿態與動作行為進行識別并采集相關的信息。動作識別技術主要分為機器視覺方式［6，7］和傳感器方式［8］。其中，機器視覺方式是基于視頻或圖像數據，采集各種動作下的人體特定標志點信息，構建深度學習模型進行訓練，根據標志點的信息推導出人體的姿態與動作。但該方法極易受到拍攝場景等各種因素限制，如光線的影響、數據缺乏多維度的影響，最終得到的數據噪點多、準確性小。傳感器方式是采用可穿戴傳感器采集人體運動信息。該方法可通過人體穿戴部署傳感器方式，直接精確地采集人體各部位的運動信息，高精度的傳感器甚至可以采集人體細微動作產生的信息，如手腕的輕微轉動。傳感器方式不受場景等其他因素的影響，但在成本、便攜性有著明顯的缺點，并且不穿戴則無數據。通過結合機器視覺與傳感器方式，可以互補采集不同的體育運動場景下人體姿態與運動信息，為體育訓練與體育活動服務。

1.4 目標追蹤

目標跟蹤就是對運動目標進行檢測、提取、識別和跟蹤，獲得運動目標的運動參數，并進行處理與分析，實現對運動目標的行為理解，以完成更高一級的檢測任務。在機器視覺領域，目標跟蹤在連續的視頻序列中建立所要跟蹤物體的位置關系，得到物體完整的運動軌跡。運動軌跡的生成，是給定圖像第一幀的目標坐標位置，計算在下一幀圖像中目標的確切位置。在運動的過程中，目標可能會呈數據特征的變化，如姿態或形狀的變化、尺度的變化、背景遮擋或光線的變化等。傳統的目標跟蹤方法包括Meanshift［9］、Particle Filter與Kalman Filter［10］等方法。隨著深度卷積神經網絡的成功，深度學習目標跟蹤算法也在迅猛發展［11］。深度學習目標跟蹤主要包括特征學習、數據相關、端到端學習與狀態預測4 部分，在準確度與穩定性上均比傳統方法有優勢。通過目標跟蹤，可以獲得體育運動中運動人員的軌跡、速度以及運動變化情況。

2 AI在體育領域應用情況分析

目前，AI 在體育層面的應用研究主要圍繞著大型比賽展開。在體育領域，最常見的應用主要包括教練系統、輔助訓練防損傷、體育新聞撰寫、比賽判罰。通過應用AI技術，可自動采集分析大量的數據并構建對應的體育分析模型，為體育活動參與者與管理者提供決策支持。

2.1 教練系統

教練系統［12，13］主要利用AI的數據分析能力對比賽進行解讀，再把解讀比賽的數據用于運動員的日常訓練中。如圖1所示，AI教練系統運用目標檢測技術、動作識別技術去采集數據，然后使用機器學習技術處理數據，最后建立相應的模型、算法。教練就可以根據模型得到的規律對比賽進行預測，或根據數據分析結果制定比賽戰術。

圖1 智能教練模擬流程

例如，在足球比賽上，可以通過AI 技術提取足球軌跡與球員站位并進行分析，同時用機器學習挖掘球隊的內在運行規律。教練通過規律分析結果，制訂相應戰術、應對方法與球隊訓練計劃。在沒有AI幫助的時代，球隊教練必須觀看大量的比賽，從中找出規律，任務繁雜且效率低下。如今，在AI的幫助下解讀比賽與整理數據，大大減少了教練的工作量，教練得以專心制訂戰術與訓練計劃。這種方法既節省了人力成本，又提高了效率。

近幾年，大多數足球俱樂部都引進了機器學習技術，用來提升球隊的訓練效果。2020年，巴塞羅那俱樂部創新中心與體育科技公司達成合作，共同開發了智能圖像采集與識別系統，使用無人攝像機組多角度拍攝視頻，并進行目標檢測與數據分析。在這個系統的幫助下，該俱樂部球隊的足球競技水平明顯提高。AI系統的引入，對體育教練的改變是巨大的，在未來，AI系統甚至會取代教練的戰術制訂的工作。

2.2 訓練防損傷系統

AI技術可應用于日常訓練防損傷［12，14］。在運動員訓練的過程中，常常因為姿勢不正確、訓練強度過大等造成身體損傷。由于無法明確劃分適量運動與過量運動的界限，運動員不能準確地安排適合自己體能與身體狀況的訓練。現在，AI 穿戴設備可以準確地采集運動員的身體數據，通過對穿戴設備獲取的數據進行分析，即可判定運動員的身體狀況，對運動員的訓練做出適應性調整。

如圖2 所示，防損傷訓練系統先按照正常的生理指標建立標準判斷模型，用來判斷人體的正確運動姿勢，然后使用機器學習技術對穿戴設備獲取的數據進行建模。通過對比2個模型，得到二者的差異，并根據這個差異判斷運動員的身體狀況。如今，幾乎所有的國家級專業運動員都在訓練時使用AI 驅動的可穿戴設備，一方面可以采集運動員本身的運動心率、呼吸頻率、肌肉緊張程度等數據，以便確保他們的運動安全；另一方面，教練可以根據這些數據分析結果，對運動員安排針對性的訓練、營養飲食與作息時間。

圖2 訓練防損傷系統

2.3 新聞寫作

AI 可運用于體育新聞寫作［15］。隨著時代對體育活動關注度的不斷提高，快速、高質量的體育新聞報道成了人們的日常所需。但是體育賽事往往蘊含著大量的數據，而且對時效性的要求十分高。媒體記者很難既采訪比賽以獲得數據的同時，還要在短時間內對數據進行整理分析，寫出一篇新聞報道。如何整理數據和快速排版出稿就成了體育新聞報道的難點與剛需。如圖3 所示，AI 新聞寫作的工作原理是將收集的數據錄入數據庫，將數據按照語句出現頻率和關鍵詞等組成一個發稿的模板，然后將新聞元素代入其中，這樣一篇初版的新聞就誕生了。AI輔助新聞寫作的優勢在于它可以24h不停地收集數據，檢測熱點新聞發展動向。這就極大程度上提升了新聞發布的時效性，并且保證寫出來的新聞更加全面。在智能新聞系統的幫助下，媒體記者和編輯從繁瑣的數據處理工作解放出來，降低了媒體記者和編輯的壓力，讓他們可以更加集中精力地深入分析新聞背后的意義。2015 年9 月，騰訊推出了新聞寫作機器人Dreamwriter。僅僅在2 年內，Dreamwriter 機器人就已完成953 篇“機器人NBA 戰報”。然而，目前的AI技術水平，仍無法使AI新聞報道擺脫人的影響而獨立完成有創造性地撰寫報道，它所撰寫的報道都是對人工報道的模仿以及對預設的實現。

圖3 智能新聞寫作

2.4 輔助體育判罰

AI可運用于體育判罰［16］，AI在體育賽事中的最早用途就是幫助裁判作出更準確的裁定。現在多數比賽項目都有AI輔助裁判對賽場人員運動情況進行判罰，以增加判罰的準確度和客觀性，保證賽事的公平、公正。通過目標追蹤技術對比賽中關鍵物體追蹤所采集的數據可以作為比賽判罰的依據。例如，在球類運動中對人員與球的軌跡進行追蹤，用來判斷運動人員是否存在違規行為。隨著科技的發展，判罰已經變得越來越精確，AI 技術可以利用動作識別技術獲得運動員的姿勢、位置等數據，進而提升輔助判斷能力。然而，目前判罰系統的智能水平還不足以獨立對一場比賽進行判罰，主要功能還是輔助裁判為其提供更精準的判罰分析。如圖4所示，通過建立比賽的規則模型，結合智能感知自動采集的賽事數據，采用AI技術可以將規則與數據進行融合比對，即可提供準確與實施的判罰決策。

圖4 智能體育判罰設想流程圖

3 現存問題

AI 在體育領域應用存在個體數據獲取困難、溝通與理解能力不足、技術局限性、識別精度不夠、普及接受程度不足、人才缺失、標準制度不完善等問題。盡管AI已開始應用于體育場景，但由于普及力度不夠、設備昂貴、群體還未完全接受等問題的存在，體育運動數據獲取仍較困難。并且大多僅應用于賽事場景，對于普通體育活動、學校體育活動與個體人員體育活動數據的采集、分析和挖掘還未有成熟應用。盡管AI技術在不斷發展，但與人類智能還有很大的差距，無法達到人類智能的動態性、冗余性、處理事務的多變性，還未能夠實現AI與人類直接無縫地溝通與理解。因此，在新聞寫作、體育判罰與體育訓練中，AI僅僅起到了初步方案、輔助決策與輔助數據分析的作用。在未來的“AI+體育”應用中，希望能夠提升AI 與人類溝通與理解的能力。在AI的體育應用中，關于功能性動作的自動評估具有一定的局限性。人體運動包含著豐富的信息，在一些周期性的運動項目中，往往需要大量的運動指標與數據，目前AI技術尚未覆蓋全面。在某些體育項目中，微小的誤差就有可能造成運動員重大失誤，甚至傷亡事故，如果AI 的測量與識別精度不夠，所提供的結論有可能會形成錯誤的方案，不僅會導致運動訓練無效、浪費時間與損耗設備，還會引發運動損傷問題。AI在實際應用中，由于知識普及性不強，人們甚至抱有畏懼的心理，認為AI 將來會取代人類，使得一些體育管理者與參與者的固有觀念難以轉變，限制了“AI+體育”的普及。“AI+體育”的應用發展，需要復合型人才，既要對AI技術有充分的知識基礎，又要對體育行業應用業務需求有深刻的認識，因此“AI+體育”面臨著人才不足與人才緊缺問題。市場上與AI 相關的體育用品越來越多，但是產品的質量與技術水平不高，甚至存在假AI 產品。“AI+體育”還未有統一的行業標準和相關的成熟制度，急需一套標準與管理制度，促進“AI+體育產業”的穩步發展。

4 結語

該文對AI技術發展與“AI+體育”應用情況的分析表明，AI 技術在逐漸發展成熟，并且AI 的應用已經在體育領域嶄露頭角。較為典型成熟的“AI+體育”應用包括輔助教練、輔助訓練、輔助判罰、輔助體育新聞寫作等。然而，體育運動包括田徑、球類、游泳、武術、健美操、登山、滑冰、舉重、摔跤、柔道、自行車、射擊等多種項目，普通民眾、學校學生的體育活動也多姿多彩，目前AI技術尚未能普及到大眾領域，存在個體數據獲取困難、溝通與理解能力不足、技術局限性、識別精度不夠、普及接受程度不足、人才缺失、標準制度不完善等問題。針對現存問題的解決方案，包括擴展AI數據采集范圍并降低采集成本、增強類腦智能+體育的研究、建立完善的動作指標體系、工程化提升AI 識別精度、推動AI知識在體育領域的普及、培養綜合性AI+體育人才、建立健全AI+體育標準與制度等內容。這些解決方案需要教育、體育、科技、政府等相關企業與部門的共同努力才能完成。

在國家大力推行體育強國政策的大環境下，大力發展“AI+體育”技術，有助于體育強國大數據獲取、推動正確體育教學與訓練方法、降低體育活動損傷與事故風險、提升人民群眾體育活動興趣、提供有效的健康管理方案，最終為提升人民群眾健康的發展服務。