Nel video qui sopra, Lambert mostra come lo strumento CV rileva l’asse di rotazione della palla in un punto verde neon e l’orientamento della cucitura in altri colori neon.
“Penso che l’uso più applicabile dei CV in questo momento sia quello di… ottenere da Hawk-Eye alcuni parametri che non ottengo”, ha detto Lambert. “Potete certamente immaginare se mio fratello del liceo a Cincinnati lanciasse un bullpen e non avesse un Trackman a disposizione, se avessimo il filmato, avessimo un giudizio su cosa sta succedendo, saremmo in grado di adattare meglio il processo da lì.”
Un sistema di visione artificiale apprende analizzando migliaia e migliaia di immagini etichettate – a volte anche milioni, come in alcuni dei primi tentativi di guida autonoma di Tesla – utilizzando reti neurali convoluzionali per poi identificare modelli e comprendere le gerarchie spaziali. Questo è l’apprendimento profondo.
Boddy e gli altri di Driveline hanno svolto un sacco di tag e lavori pesanti per addestrare il sistema, etichettando cuciture, assi di rotazione e tipi di passo su migliaia e migliaia di offerte salvate. Il sistema sta ancora imparando e migliorando.
Lambert ha effettuato circa 50 tiri all’inizio di questo mese, studiando il volo della palla e l’effetto di ogni regolazione sulla base del feedback dell’intelligenza artificiale del mondo reale di Driveline.
Non è riuscito a replicare perfettamente il tono in un recinto, ma è stato in grado di imitare alcune delle sue caratteristiche dopo una sola presa e ricavare i suggerimenti e alcuni aggiustamenti dal nostro modello di visione artificiale.
“Quello che sono riuscito a ricreare è stato la possibilità di correre in alto, vicino al braccio che avrebbe lanciato”, ha detto Lambert. “Non sono riuscito a ridurre l’efficienza della rotazione abbastanza da far funzionare il giroscopio. Ho trovato più semplice creare un profilo di cambiamento fondamentalmente supinato (con rilascio) piuttosto che creare una vera versione giroscopica del suo slider. Questa è stata la maggior parte del processo di iterazione. Non ci è voluto molto tempo per creare alcuni tiri con corsa del braccio alta.”
Immagina cosa potrebbero fare i veri lanciatori e allenatori professionisti e universitari con questo strumento?
Questa è un’applicazione del modello di visione artificiale: aiutare allenatori e giocatori a capire come iniziare un campo.
Connor White, direttore della presentazione presso Driveline, spiega un altro importante vantaggio del pitch shaping basato sul deep learning.
“La velocità di analisi è una delle cose più interessanti”, ha detto White. “Vogliamo che queste penne mantengano il gioco. Quindi, quando deve fermarsi dopo ogni lancio e guardare una serie di parametri e guardare video, e la prossima cosa che sai è passato un minuto o più tra un lancio e l’altro, si rompe davvero. … La visione artificiale ti consente di guardare ciò che stai guardando rispetto al movimento basato sugli effetti, avvicinandoti alla fisica reale di ciò che sta accadendo con la palla.
“La velocità con cui questi (progressi) possono essere implementati è davvero entusiasmante.”
Accorciare il ciclo di feedback, capire cosa sta facendo il tono è davvero emozionante.
Il nostro modello di visione artificiale non è un prodotto finito, ma sta già producendo risultati nelle nostre palestre.
L’allenatore del lancio di Driveline Grayson Liebhardt afferma che questo lo aiuta già come allenatore.
“È uno strumento davvero utile”, ha detto Liebhardt. “È in fase iniziale di sviluppo, ma ci aiuta a colmare il divario e a comprendere l’orientamento delle giunture senza avere accesso ai dati di cui dispongono le organizzazioni professionali… Ci fornisce semplicemente più contesto sul motivo per cui un passo potrebbe muoversi in un certo modo o su come ottimizzare l’orientamento delle giunture per determinati profili di movimento.
“La fisica del lancio non è completamente risolta. Ci sono molte cose che influenzano il volo della palla oltre a Magnus, come la scia dell’offset della cucitura e forse altre variabili di cui potremmo non essere nemmeno a conoscenza”, ha detto Liebhardt.
Ad esempio, Liebhardt osserva che sappiamo come la scia dello spostamento delle cuciture influisce sul volo della palla, ma non possiamo misurare quanto influenzi il movimento insieme ad altre variabili, alcune delle quali, osserva, “potremmo non essere nemmeno prese in considerazione in questo momento”.
Non sappiamo tutto. E la cosa più emozionante è che vedere un computer aiuta a capire meglio.
“Questi strumenti sono molto utili per utilizzare le informazioni che già abbiamo”, ha detto di CV, “e anche per raccogliere ulteriori informazioni per imparare di più sulla fisica del tono”.
Un’altra cosa interessante delle vere scoperte dell’intelligenza artificiale è che imparano e migliorano costantemente.
“La cosa interessante per me è che posso vedere più facilmente l’orientamento della cucitura e l’asse di rotazione”, ha detto Liebhardt. “È semplicemente qualcosa in cui storicamente si (esaminava) una fotocamera Edgertronic e si provava a trovarla e a indovinare dove sarebbe l’asse di rotazione.”
Ora Liebhardt ha uno strumento che elimina molte congetture.
Ha condiviso questa clip di un altro mistero simile a Imai, questo dell’atleta Driveline Tony Oreb.
Credit Post By: Travis Sawchik