Дриблирането с баскетболна топка изглежда измамно лесно. В действителност трябват години на усилена работа, за да се постигне безпроблемно движение по терена, и както се оказва, поне толкова дълго, че разработчиците да моделират тези умения в компютърните симулации. Но новият подход, включващ изкуствен интелект, има потенциала да ускори нещата малко - поне в случая на разработчици.

Изследователи от университета "Карнеги Мелън" и компанията DeepMotion, базирана в Калифорния, са разработили система, основана на физика, която научава умения за дриблиране от движенията на баскетболистите в реалния живот. Самата DeepMotion е стартъп, работещ по "двигателна интелигентност", създаден през 2014 г.

"Това изследване отваря вратата за симулиране на спорта от опитни виртуални аватари", казва водещият автор на доклада пред EurekaAlert. "Технологията може да се приложи извън спортната симулация, за да се създадат по-интерактивни герои за игри, анимация, анализ на движенията, както и в бъдеще в роботиката."

Двата екипа използват модела за учене в дълбочина - система за изкуствен интелект, която отразява начините, по които хората реагират на средата - при обучението на баскетболен аватар, поставяйки го на виртуален терен за милиони изпитания.

Той се учи на два етапа. Първо, системата усвоява изкуството да се движи из площадката, без да се препъва или да се удря в препятствия. Тогава се научава как да контролира ръцете си, а оттам и скоростта, ускорението и посоката на виртуалната топка.

Дриблиране, базирано на физиката, е трудно да се възпроизведе дигитално, отбелязват изследователите, защото хората баскетболисти се докосват до топката само за кратко. Точните подробности - като например как топката се завърта, след като се докосне до ръката на играча - са особено трудни за улавяне. И докато квалифицираните играчи могат да предвидят времето и позиционирането на топката, компютърните модели нямат натрупана координация между ръцете и очите.

Поради тези причини, вместо да улавят движението на топката, учените избират да използват оптимизация на траекторията, за да изчислят най-вероятните й пътища за дадено движение. Те захранват споменатите по-горе данни за улавяне на движението - състоящи се от играчи, които завъртат топката около кръста си, сменят ръцете си и други трикове - в модела за дълбоко обучение и така провеждат тренировките.