بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
عندما يسدد لاعب كرة السلة المفضل لديك رمية ما، يمكنك غالباً معرفة ما إذا كانت ستدخل السلة أم لا. كإنسان، يمكنك التنبؤ بذلك لأنك على الأرجح شاهدت العديد من مباريات كرة السلة وتعرف ما يمكن توقعه. تخيل الآن آلة تشاهد مباراة كرة سلة من خلال كاميرا تحاول معرفة ما إذا كانت التسديدة ستدخل السلة أم لا.
الأمر أكثر تعقيداً بكثير. إن تكرار الذكاء البصري الذي نطوره من خلال التجربة ليس بالبساطة التي يبدو عليها. في الواقع، إن التنبؤ بمسار الكرة هو مجال بحثي رائع يستكشف كيف يمكن للآلات تحليل الحركة والدوران والزاوية للتنبؤ بالمكان الذي ستستقر فيه الكرة.
منذ عام 1537، اكتشف عالم الرياضيات الإيطالي نيكولو تارتاغليا أن قذيفة المدفع تنتقل إلى أبعد مسافة عندما تُطلق بزاوية 45 درجة. وقد أسست النتائج التي توصل إليها الأساس الذي نستند إليه اليوم في فهمنا للحركة والتنبؤ.
والآن، مع التقدم في علوم الكمبيوتر والذكاء الاصطناعي (AI)، يمكن للآلات التنبؤ بمسار الكرة بدقة وفي الوقت الفعلي. من خلال تحليل تفاصيل مثل موضع الكرة وسرعتها ودورانها وزاويتها، يمكن لأنظمة الذكاء الاصطناعي التنبؤ بالمكان الذي ستستقر فيه الكرة. وهذا يساعد في تطبيقات تتراوح بين تدريب اللاعبين وتحليل الأداء والرعاية الصحية والروبوتات.
على وجه الخصوص، الرؤية الحاسوبية هي مجال من مجالات الذكاء الاصطناعي يساعد الآلات على تفسير وفهم المعلومات المرئية من العالم من حولها. وهو ما يمكّن الأنظمة من التعرف على الأشياء وتتبع حركتها وفهم ما تراه من خلال الكاميرات أو الفيديو.
عند تطبيقها على التنبؤ بمسار الكرة، يمكن أن تساعد نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 و Ultralytics YOLO26 النظام على اكتشاف الكرة وتتبعها إطاراً بإطار. توفر هذه البيانات المرئية معلومات دقيقة حول موضع الكرة في كل إطار، والتي يمكن استخدامها بعد ذلك لتقدير سرعتها واتجاهها بمرور الوقت. يمكن لنماذج الذكاء الاصطناعي والخوارزميات المختلفة بعد ذلك استخدام هذه البيانات للتنبؤ بالمكان الذي ستتجه إليه الكرة بعد ذلك.
سنستكشف في هذه المقالة التنبؤ بمسار الكرة، والأساليب المختلفة المتبعة، ودور الرؤية الحاسوبية. لنبدأ!
أهمية التنبؤ بمسار الكرة
بالإضافة إلى كونه مجالاً بحثياً مثيراً للاهتمام، فإن التنبؤ بمسار الكرة يقود تطوير تكنولوجيا عملية ومؤثرة في العديد من المجالات. على سبيل المثال، في المركبات ذاتية القيادة، يمكّن التنبؤ بالمسار السيارات من توقع المسارات المستقبلية للمركبات الأخرى وراكبي الدراجات والمشاة. من خلال التنبؤ بالمكان الذي من المحتمل أن تكون فيه هذه الأجسام المتحركة في الثواني القليلة القادمة، يمكن لأنظمة القيادة الذاتية اتخاذ قرارات أكثر أماناً وفعالية من خلال تعديل السرعة أو تغيير المسارات أو تجنب الاصطدامات المحتملة مسبقاً.
وبالمثل، في مجال الروبوتات، يتيح التنبؤ بمسار الكرة للآلات إمكانية اكتشاف الأجسام المتحركة وتتبعها والتفاعل معها بدقة عالية. وهذا مفيد بشكل خاص في الأنظمة المؤتمتة التي تحتاج إلى التعامل مع العناصر سريعة الحركة في الوقت الفعلي، مثل الروبوتات الصناعية أو طائرات التوصيل بدون طيار.
نظرة عامة على كيفية عمل التنبؤ بمسار الكرة
إذن، كيف يعمل التنبؤ بمسار الكرة في الواقع؟ يعتمد ذلك على الطريقة المستخدمة. بشكل عام، تهدف كل طريقة إلى فعل الشيء نفسه: فهم كيف تتحرك الكرة الآن والتنبؤ بالمكان الذي ستتجه إليه بعد ذلك.
إليك لمحة عن بعض الأساليب المختلفة المستخدمة:
النمذجة القائمة على الفيزياء: يستخدم هذا النهج قوانين الحركة والديناميكا الهوائية لحساب كيفية تأثير عوامل مثل السرعة وزاوية الإطلاق والجاذبية ومقاومة الهواء على مسار تحليق الكرة.
التعلم الآلي النماذج: تحلل هذه النماذج مجموعات كبيرة من بيانات الحركة لتعلم الأنماط في كيفية تحرك الكرة، مما يسمح لها بعمل تنبؤات دقيقة دون الاعتماد على معادلات فيزيائية صريحة.
التنبؤ القائم على الرؤية الحاسوبية: تستخدم هذه الطريقة لقطات الفيديو لاكتشاف الكرة وتتبعها إطارًا بإطار، مما ينتج عنه بيانات مرئية تساعد الخوارزميات على تقدير سرعتها واتجاهها وموقعها المستقبلي.
الأنظمة القائمة على أجهزة الاستشعار: تستخدم هذه الأنظمة بيانات من مستشعرات الحركة أو الرادار أو كاميرات الأشعة تحت الحمراء لقياس موضع الكرة وسرعتها ودورانها بدقة في الوقت الفعلي.
الأساليب الهجينة: تجمع بين تقنيتين أو أكثر. على سبيل المثال، دمج الرؤية الحاسوبية مع النمذجة القائمة على الفيزياء لتحقيق تنبؤات أكثر دقة وموثوقية للمسار.
بعد ذلك، سنلقي نظرة فاحصة على كيفية عمل التنبؤ بمسار الكرة القائم على الرؤية الحاسوبية والخوارزميات التي تجعل ذلك ممكناً.
أساسيات التنبؤ بمسار الكرة
قبل أن نلقي نظرة على الدور الذي تلعبه الرؤية الحاسوبية في التنبؤ بمسار الكرة وكيفية عمل هذه الأنظمة، دعنا نحلل الأساسيات.
يتضمن التنبؤ بمسار الكرة بشكل عام جزأين رئيسيين: التتبع ونمذجة الحركة. تُستخدم خوارزميات التتبع لتتبع الكرة إطاراً بإطار في الفيديو، وتقدير مكان ظهورها التالي. هذه الطرق مفيدة للتنبؤات قصيرة المدى وفي الوقت الحقيقي.
من ناحية أخرى، تذهب طرق نمذجة الحركة (التي تتضمن عادةً الفيزياء أو التعلّم الآلي) إلى أبعد من ذلك. فهي تهدف إلى التنبؤ بالمسار الكامل للكرة، بما في ذلك مكان هبوطها.
ببساطة، يحدد التتبع الموضع الحالي للكرة وحركتها الحالية، بينما تستخدم النمذجة تلك المعلومات لتقدير مسارها المستقبلي ونقطة هبوطها. ويتيحان معاً التنبؤ بمسار الكرة بدقة وفي الوقت الحقيقي.
نظرة فاحصة على التتبع ونمذجة الحركة
قد تتساءل عن سبب أهمية التمييز بين التتبع والتنبؤ. بينما نستكشف هذا الموضوع بمزيد من التفصيل، ستلاحظ أن العديد من خوارزميات التتبع لا تقوم بالتتبع فقط. بل تقوم أيضًا بعمل تنبؤات قصيرة المدى حول المكان الذي ستظهر فيه الكرة بعد ذلك.
على سبيل المثال، تستخدم نماذج الرؤية الحاسوبية مثل YOLO11، التي تدعم تتبع الأجسام من خلال خوارزميات التتبع مثل ByteTrack أو SORT، بيانات الكشف من كل إطار فيديو لتقدير موضع الكرة التالي في الوقت الفعلي. يساعد ذلك النظام في الحفاظ على دقة التتبع حتى عندما تتحرك الكرة بسرعة أو تصبح مخفية جزئياً.
ومع ذلك، على الرغم من أن هذه النماذج رائعة في تتبع الحركة، إلا أنها عادةً ما تتنبأ فقط بالموضع التالي للكرة بدلاً من مسار طيرانها بالكامل أو نقطة هبوطها. وهنا تصبح أساليب نمذجة الحركة ضرورية.
بعبارة أخرى، لا يمكن لنموذج الرؤية الحاسوبية في حد ذاته التنبؤ بمسار الكرة بشكل كامل. يمكنه اكتشاف وتتبع موقع الكرة إطاراً بإطار، لكنه لا يأخذ في الحسبان القوى الفيزيائية التي تؤثر على حركتها، مثل الجاذبية أو الدوران أو السحب أو مقاومة الهواء.
الشكل 2. مثال على اكتشاف الكرة وتجزئتها باستخدام YOLO11.(المصدر). (المصدر)
لإجراء تنبؤات دقيقة على المدى الطويل، غالباً ما يتم دمج البيانات المرئية من الرؤية الحاسوبية مع أساليب نمذجة الحركة. تستخدم هذه الأساليب إما المعادلات القائمة على الفيزياء أو خوارزميات التعلّم الآلي لتحليل حركة الكرة بمرور الوقت والتنبؤ بمسارها الكامل، بما في ذلك مكان هبوطها.
الخوارزميات الشائعة المستخدمة لتتبع الكرة في الرؤية الحاسوبية
خوارزميات التتبع هي جزء أساسي من أنظمة التنبؤ بمسار الكرة. فهي تُقدِّر موضع الكرة وحركتها بمرور الوقت مع التعامل مع تحديات مثل الانسداد القصير (عندما تكون الكرة مخفية مؤقتًا عن الأنظار بواسطة جسم آخر).
بعد ذلك، سنستعرض بعض خوارزميات التتبع الشائعة.
مرشح كالمان
مرشح كالمان هو خوارزمية رياضية تُستخدم لتقدير موقع الجسم وسرعته بمرور الوقت، حتى عندما تكون القياسات مشوشة أو غير مكتملة. على سبيل المثال، استخدمت وكالة ناسا مرشحات كالمان لتتبع وإعادة بناء مسارات مركبات الطيران.
من خلال الجمع بين بيانات المستشعرات ونماذج حركة المركبة، يمكن للنظام تنظيف البيانات المشوشة وإعادة بناء مسار الرحلة الفعلي بدقة، وإجراء تنبؤات قصيرة المدى حول الوجهة التالية للمركبة. وهذا يجعل المرشحات مفيدة جداً للتتبع والتحكم في الوقت الفعلي في العديد من المجالات.
على الرغم من أن مرشّح كالمان نفسه ليس خوارزمية رؤية حاسوبية، إلا أنه يُستخدم عادةً في الأنظمة القائمة على الرؤية لتتبع الأجسام المتحركة، مثل الكرة، عبر إطارات الفيديو. وهو يعمل من خلال التنبؤ بالمكان الذي سيظهر فيه الجسم بعد ذلك، ومقارنة هذا التنبؤ ببيانات الكشف الفعلية، ثم تحديث تقديره ليبقى دقيقاً. إن دورة التنبؤ والتصحيح المستمرة هذه تجعلها فعالة في التتبع في الوقت الفعلي، حتى عندما يختفي الجسم لفترة وجيزة من العرض أو تتغير سرعته فجأة.
بايت تراك
ByteTrack هي خوارزمية تتبع الأجسام في الوقت الفعلي تُستخدم لتتبع الأجسام المتحركة مثل الكرات عبر إطارات الفيديو. وهي تعمل من خلال اكتشاف الأجسام في كل إطار وربط عمليات اكتشاف نفس الجسم عبر الزمن، مما يؤدي إلى إنشاء تسلسل مستمر يُطلق عليه اسم "تعقب".
مقطع المسار هو عبارة عن سلسلة قصيرة من الإطارات التي توضح مكان وجود الكائن وكيفية تحركه. تساعد عملية الربط هذه النظام في الحفاظ على هوية متسقة لكل كائن طوال الفيديو.
على عكس طرق التتبع القديمة التي تتجاهل الاكتشافات منخفضة الثقة، يحتفظ ByteTrack بالأجسام ويعيد فحصها. هذا يعني أنه يمكنه الحفاظ على تتبع سلس ومستقر حتى عندما تتحرك الأجسام بسرعة أو تصبح ضبابية أو تكون مخفية لفترة وجيزة. على الرغم من أن ByteTrack ليس كاشفًا للأجسام بمفرده، إلا أنه غالبًا ما يُستخدم مع نماذج الرؤية الحاسوبية مثل Ultralytics YOLOv8 أو YOLO11 لتتبع الأجسام بدقة وموثوقية في الوقت الفعلي.
بوت-سورت
BoT-SORT عبارة عن خوارزمية متقدمة لتتبع الأجسام المتعددة تعمل على تحسين كيفية تتبع الأنظمة للأجسام المتحركة عبر إطارات الفيديو. وهي تعتمد على ByteTrack وتضيف ميزات رئيسية مثل تعويض حركة الكاميرا وإعادة تحديد هوية الأجسام.
يساعد تعويض حركة الكاميرا في تصحيح حركة الكاميرا مثل التحريك أو الاهتزاز، بينما تتيح ميزة إعادة التحديد للنظام التعرف على نفس الكائن والاستمرار في تتبعه حتى بعد مغادرته وظهوره مرة أخرى في العرض. مثل ByteTrack، يتم استخدامه أيضاً مع نماذج مثل YOLOv8 أو YOLO11.
طرق التنبؤ بالمسار الشائعة
والآن بعد أن رأينا كيفية عمل التتبع وكيفية ارتباطه بتوقع مسار الكرة، دعنا نلقي نظرة عن كثب على الأنواع الرئيسية لخوارزميات توقع المسار والطرق المستخدمة لتقدير حركة الكرة.
النمذجة الحركية القائمة على الفيزياء
تتنبأ النمذجة الحركية القائمة على الفيزياء بمسار الكرة باستخدام قوانين الحركة الأساسية. فهي تأخذ في الاعتبار عوامل مثل السرعة الابتدائية للكرة، وزاوية الانطلاق، والجاذبية، ومقاومة الهواء، والدوران لحساب مسار تحليقها. من خلال الجمع بين هذه العوامل، يُقدِّر النموذج أين ستكون الكرة، ومدى سرعتها، وفي أي اتجاه في أي لحظة.
على سبيل المثال، في رياضات مثل البيسبول أو الغولف، تساعد هذه التقنية في التنبؤ بمدى واتجاه الكرة بناءً على سرعة التأرجح وزاوية الإطلاق. على الرغم من دقتها العالية في البيئات الخاضعة للرقابة، إلا أنها قد تواجه صعوبات في الظروف الواقعية غير المتوقعة مثل الرياح أو الارتداد أو تفاعلات اللاعبين وتسبب أخطاء في التنبؤ.
عند دمجها مع الرؤية الحاسوبية، تتيح الأساليب القائمة على النماذج الفيزيائية تطبيقات عملية في التحليلات الرياضية والتحكيم الرياضي. عين الصقر، على سبيل المثال، هو نظام رؤية متعدد الكاميرات يعيد بناء مسار الكرة ثلاثي الأبعاد في الوقت الفعلي.
ويستخدم العديد من الكاميرات عالية السرعة المتزامنة لالتقاط موضع الكرة من زوايا متعددة ويطبق التثليث والمعادلات الحركية وطرق الاستيفاء لتقدير مسارها. يدعم هذا التكامل التتبع الدقيق واتخاذ القرار في الألعاب الرياضية، بما في ذلك التنس والكريكيت وكرة القدم، حيث تكون دقة المسار ضرورية لتحديد خط الملعب وتحليل الأداء.
نماذج انحدار التعلم الآلي
يمكن لنماذج انحدار التعلم الآلي التنبؤ بالموضع المستقبلي للكرة أو مسارها دون الاعتماد على معادلات فيزيائية صريحة. وبدلاً من ذلك، فإنها تتعلم أنماطاً من البيانات مثل الموضع والسرعة والدوران والزاوية التي يتم جمعها من خلال أنظمة التتبع القائمة على الفيديو أو أجهزة الاستشعار.
عند دمجها مع خوارزميات تتبع الرؤية الحاسوبية، يلتقط نظام الرؤية موضع الكرة عبر إطارات الفيديو. تصبح هذه البيانات الموضعية مدخلات لنموذج الانحدار، الذي يتعلم كيف تتغير حركة الكرة بمرور الوقت. وبمجرد التدريب، يمكن للنموذج أن يتنبأ بالموضع التالي للكرة أو المسار العام للكرة بناءً على ما لاحظه بالفعل.
على سبيل المثال، فيما يتعلق بروبوتات تنس الطاولة أو أنظمة روبوتات تنس الطاولة، فقد ثبت أن نماذج الانحدار المدرّبة على آلاف المسارات المتعقبة قادرة على التنبؤ بأنماط تحليق الكرة وارتدادها في الوقت الحقيقي. يتيح ذلك للروبوت وضع نفسه أو الاستجابة بسرعة لالتقاط أو إعادة كرة تنس الطاولة أو كرة تنس الطاولة. ونظراً لأن هذه النماذج تتعلم مباشرةً من أمثلة من العالم الحقيقي، فإنها غالباً ما تتعامل مع التأثيرات غير المتوقعة، مثل الدوران أو سحب الهواء أو ملامسة السطح، بشكل أفضل من الطرق القائمة على الفيزياء البحتة.
الشكل 3. كيف يتنبأ روبوت كرة الطاولة بمسار الكرة.(المصدر)
الشبكات العصبية المتكررة (RNNs) وشبكات الذاكرة قصيرة المدى الطويلة (LSTMs)
الشبكات العصبية المتكررة (RNNs) وشبكات الذاكرة قصيرة الأجل الطويلة (LSTMs) هي نماذج ذكاء اصطناعي مصممة لمعالجة البيانات التي تتغير بمرور الوقت، مثل الحركة أو غيرها من معلومات السلاسل الزمنية. ويمكنها تذكر ما حدث في وقت سابق، مما يساعدها على التعرف على أنماط الحركة والتنبؤ بما قد يحدث بعد ذلك.
في التنبؤ بمسار الكرة، تتعلم هذه النماذج كيف تؤثر المواضع السابقة للكرة وسرعتها ودورانها على المكان الذي ستتجه إليه بعد ذلك. عند دمجها مع الرؤية الحاسوبية وتتبع الأجسام، يمكن لنظام الرؤية التقاط مواضع الكرة عبر الإطارات. يمكن لشبكة RNN بعد ذلك استخدام هذا التسلسل من المواضع للتنبؤ بالحركة التالية للكرة أو المسار الكامل.
كما أن آلات LSTMs مؤثرة بشكل خاص لأنها تستطيع تذكر المعلومات على مدى فترات أطول. وهذا يمكّنها من متابعة الحركة الكاملة للكرة حتى عندما تتحرك بسرعة أو تغير اتجاهها.
وقد خطت الأبحاث الحديثة هذه الفكرة خطوة إلى الأمام. فقد قام العلماء بتطوير نماذج ثنائية التسلسل الهرمي ثنائية LSTM يمكنها التنبؤ بمسارات الكرة في الرياضات الجماعية من خلال تحليل كيفية تحرك اللاعبين وتفاعلهم مع بعضهم البعض. يمكن لهذه النماذج حتى تقدير موقع الكرة عندما تكون مخفية مؤقتًا أو بعيدة عن الأنظار، وذلك باستخدام أنماط سلوك اللاعبين لاستنتاج المكان الذي من المرجح أن تكون فيه الكرة.
التطبيقات الواقعية للتنبؤ بمسار الكرة في العالم الحقيقي
مع فهم أفضل للرؤية الحاسوبية والتنبؤ بمسار الكرة، دعونا نستكشف تطبيقاتها العملية في مجالات مثل الرياضة وإعادة التأهيل والروبوتات.
التنبؤ بمسار الكرة في الرياضة
إن فهم كيفية تحرك الكرة وأين ستستقر أمر بالغ الأهمية في العديد من الألعاب الرياضية. باستخدام المعلومات من الكاميرات وأجهزة الاستشعار، يمكن لنماذج الذكاء الاصطناعي التنبؤ بمسار الكرة وسرعتها الأولية، مما يساعد الفرق الرياضية على توقع اللعب وتحسين التقنيات واتخاذ قرارات أكثر ذكاءً.
كما أنها تدعم تدريب اللاعبين من خلال تحليل عوامل مثل الدوران أو زاوية الانطلاق، مما يساعد الرياضيين على تحسين الأداء وتجنب الإصابات. تستخدم العديد من أنظمة التدريب الرياضي المتطورة الآن التنبؤ بمسار الكرة لتعزيز تطوير المهارات والاستراتيجية.
على سبيل المثال، طور الباحثون نظام رؤية حاسوبية لروبوتات التنس يمكنه اكتشاف مسار كرة التنس والتنبؤ به. وباستخدام كاميرات ستيريو وشبكات عصبية تلافيفية، يساعد النظام الروبوت على رؤية الكرة في ثلاثة أبعاد (المحور السيني والمحور الصادي والمحور الضوئي) والاستجابة بدقة أكبر أثناء اللعب. يمكن أن يكون ذلك أداة لتغيير قواعد اللعبة لتدريب اللاعبين على المنافسات.
الشكل 4. يُظهر اللون الأحمر مسار المحاكاة؛ ويُظهر اللون الأزرق تنبؤ مسار كرة الروبوت.(المصدر)
إيجابيات وسلبيات التنبؤ بمسار الكرة المستند إلى الرؤية الحاسوبية
فيما يلي بعض المزايا الرئيسية لاستخدام أنظمة التنبؤ بمسار الكرة القائمة على الرؤية الحاسوبية:
التنبؤ في الوقت الحقيقي: يمكن لهذه الأنظمة أن تتنبأ بدقة بالمسار المستقبلي للكرة على الفور، حتى عند السرعات العالية.
غير جراحية: يمكن أن تعمل فقط على مدخلات الفيديو، دون الحاجة إلى أجهزة استشعار أو علامات مادية.
قابلة للتطوير والتكيف: يمكن تطبيق أنظمة التنبؤ بمسار الكرة القائمة على الرؤية في مختلف الرياضات والبيئات باستخدام إعدادات الكاميرا القياسية.
على الرغم من أن التنبؤ بمسار الكرة القائم على الرؤية الحاسوبية له العديد من الفوائد، إلا أن هناك أيضاً بعض القيود التي يجب أخذها في الاعتبار. فيما يلي بعض العوامل التي يجب وضعها في الاعتبار:
تحديات الانسداد: يمكن أن تصبح التنبؤات أقل دقة في كثير من الأحيان عندما تكون الكرة مخفية خلف اللاعبين أو الأجسام الأخرى.
مشاكل الإضاءة والرؤية: يمكن أن يكون أداء هذه الأنظمة منخفضًا في ظل الإضاءة الضعيفة أو الخلفيات المعقدة، كما هو الحال في الليل.
طلب حسابي مرتفع: تتطلب معالجة الفيديو عالي معدل الإطارات ونماذج التعلم العميق أجهزة قوية قد تكون باهظة الثمن.
النقاط الرئيسية
يجمع التنبؤ بمسار الكرة باستخدام الذكاء الاصطناعي المرئي بين الفيزياء والرؤية الحاسوبية والتعلم الآلي لفهم الحركة والتنبؤ بها بدقة ملحوظة. من تحليل الأداء الرياضي إلى مساعدة المرضى على التعافي وأنظمة الأتمتة الصناعية، يحول التنبؤ بالمسار البيانات المرئية إلى رؤية قابلة للتنفيذ. ومع استمرار تقدم التكنولوجيا، فإنها تمهد الطريق لأساليب أكثر ذكاءً وسرعةً وتكيّفاً تعزز الأداء والسلامة واتخاذ القرار.
