تعزيز التنبؤ بمسار الكرة باستخدام الذكاء الاصطناعي للرؤية

عندما يسدد لاعب كرة السلة المفضل لديك، يمكنك غالبًا معرفة ما إذا كانت الكرة ستدخل السلة أم ستخطئها. وبصفتك إنسانًا، تستطيع التنبؤ بذلك لأنك ربما شاهدت مباريات كرة سلة متعددة وتعرف ما يمكن توقعه. والآن، تخيّل آلة تتابع مباراة كرة سلة عبر كاميرا وتحاول تحديد ما إذا كانت الكرة ستدخل السلة.

الأمر أكثر تعقيدًا بكثير. فمحاكاة الذكاء البصري الذي نطوره بالتجربة ليست بالبساطة التي قد تبدو عليها. وفي الواقع، يُعد التنبؤ بمسار الكرة مجالًا بحثيًا شيقًا يستكشف كيفية تحليل الآلات للحركة والدوران والزاوية للتنبؤ بمكان هبوط الكرة.

الشكل 1. مسار تسديدة كرة سلة. (المصدر)

في وقت مبكر من عام 1537، اكتشف عالم الرياضيات الإيطالي نيكولو تارتاليا أن قذيفة المدفع تقطع أبعد مسافة عند إطلاقها بزاوية 45 درجة. وقد أرست اكتشافاته أساس فهمنا للحركة والتنبؤ بها اليوم.

واليوم، وبفضل التقدم في علوم الحاسوب والذكاء الاصطناعي (AI)، تستطيع الآلات التنبؤ بمسار الكرة بدقة وفي الوقت الفعلي. ومن خلال تحليل تفاصيل مثل موضع الكرة وسرعتها ودورانها وزاويتها، يمكن لأنظمة الذكاء الاصطناعي توقّع مكان هبوطها. ويساعد ذلك في تطبيقات تمتد من تدريب اللاعبين وتحليل الأداء إلى الرعاية الصحية والروبوتات.

وعلى وجه الخصوص، تُعد الرؤية الحاسوبية مجالًا من مجالات الذكاء الاصطناعي يساعد الآلات على تفسير المعلومات المرئية من العالم المحيط بها وفهمها. وهي ما يمكّن الأنظمة من التعرّف على الأجسام وتتبع حركتها واستيعاب ما تراه عبر الكاميرات أو مقاطع الفيديو.

عند تطبيق نماذج الرؤية الحاسوبية، مثل Ultralytics YOLO11 وUltralytics YOLO26، على التنبؤ بمسار الكرة، يمكنها مساعدة النظام في اكتشاف الكرة وتتبعها إطارًا تلو الآخر. وتوفر هذه البيانات المرئية معلومات دقيقة عن موضع الكرة في كل إطار، ويمكن استخدامها بعد ذلك لتقدير سرعتها واتجاهها بمرور الوقت. ثم تستطيع نماذج الذكاء الاصطناعي وخوارزميات متعددة استخدام هذه البيانات للتنبؤ بالمسار الذي ستسلكه الكرة لاحقًا.

في هذا المقال، سنستكشف التنبؤ بمسار الكرة، والأساليب المختلفة المستخدمة فيه، ودور الرؤية الحاسوبية. لنبدأ!

أهمية التنبؤ بمسار الكرة#

إلى جانب كونه مجالًا بحثيًا مثيرًا للاهتمام، يدفع التنبؤ بمسار الكرة تطوير تقنيات عملية وذات أثر في مجالات عديدة. فعلى سبيل المثال، يتيح التنبؤ بالمسارات في المركبات ذاتية القيادة للسيارات استشراف المسارات المستقبلية للمركبات الأخرى وراكبي الدراجات والمشاة. ومن خلال توقّع المواقع التي يُرجح وجود هذه الأجسام المتحركة فيها خلال الثواني القليلة التالية، تستطيع أنظمة القيادة الذاتية اتخاذ قرارات أكثر أمانًا وكفاءة، مثل تعديل السرعة أو تغيير المسارات أو تجنب التصادمات المحتملة مسبقًا.

وبالمثل، يتيح التنبؤ بمسار الكرة في مجال الروبوتات للآلات اكتشاف الأجسام المتحركة وتتبعها والاستجابة لها بدقة عالية. ويفيد ذلك خصوصًا في الأنظمة المؤتمتة التي تحتاج إلى التعامل مع عناصر سريعة الحركة في الوقت الفعلي، مثل الروبوتات الصناعية أو طائرات التوصيل المسيّرة.

لمحة عامة عن آلية التنبؤ بمسار الكرة#

إذًا، كيف يعمل التنبؤ بمسار الكرة فعليًا؟ يعتمد ذلك على الأسلوب المستخدم. وبوجه عام، تهدف جميع الأساليب إلى تحقيق الأمر نفسه: فهم حركة الكرة الحالية والتنبؤ بمسارها اللاحق.

فيما يلي لمحة عن بعض الأساليب المختلفة المستخدمة:

• النمذجة القائمة على الفيزياء: يستخدم هذا الأسلوب قوانين الحركة والديناميكا الهوائية لحساب تأثير عوامل مثل السرعة وزاوية الإطلاق والجاذبية ومقاومة الهواء في مسار طيران الكرة.
• نماذج التعلّم الآلي: تحلل هذه النماذج مجموعات كبيرة من بيانات الحركة لتعلّم أنماط حركة الكرة، ما يمكّنها من تقديم تنبؤات دقيقة دون الاعتماد على معادلات فيزيائية صريحة.
• التنبؤ القائم على الرؤية الحاسوبية: يستخدم هذا الأسلوب لقطات الفيديو لاكتشاف الكرة وتتبعها إطارًا تلو الآخر، وينتج بيانات مرئية تساعد الخوارزميات على تقدير سرعتها واتجاهها وموضعها المستقبلي.
• الأنظمة القائمة على المستشعرات: تستخدم هذه الأنظمة بيانات 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. فعلى سبيل المثال، يمكن دمج الرؤية الحاسوبية مع النمذجة القائمة على الفيزياء للحصول على تنبؤات بمسار الكرة أدق وأكثر موثوقية.

بعد ذلك، سنلقي نظرة أقرب على آلية عمل التنبؤ بمسار الكرة القائم على الرؤية الحاسوبية والخوارزميات التي تجعله ممكنًا.

أساسيات التنبؤ بمسار الكرة#

قبل أن نتناول دور الرؤية الحاسوبية في التنبؤ بمسار الكرة وكيفية عمل هذه الأنظمة، لنستعرض الأساسيات.

يتضمن التنبؤ بمسار الكرة عمومًا جزأين رئيسيين: التتبع ونمذجة الحركة. وتُستخدم خوارزميات التتبع لمتابعة الكرة إطارًا تلو الآخر في الفيديو، وتقدير موضع ظهورها التالي. وتفيد هذه الأساليب في التنبؤات قصيرة الأمد وفي الوقت الفعلي.

أما أساليب نمذجة الحركة (التي تعتمد عادةً على الفيزياء أو التعلّم الآلي)، فتذهب إلى أبعد من ذلك. إذ تهدف إلى التنبؤ بمسار الكرة كاملًا، بما في ذلك موضع هبوطها.

ببساطة، يحدد التتبع موضع الكرة الحالي وحركتها، بينما تستخدم النمذجة هذه المعلومات لتقدير مسارها المستقبلي ونقطة هبوطها. ويتيح هذان العنصران معًا التنبؤ بمسار الكرة بدقة وفي الوقت الفعلي.

نظرة أقرب على التتبع ونمذجة الحركة#

قد تتساءل عن أهمية التمييز بين التتبع والتنبؤ. ومع استكشافنا لهذا الموضوع بمزيد من التفصيل، ستلاحظ أن العديد من خوارزميات التتبع لا تكتفي بالتتبع، بل تتنبأ أيضًا بموضع ظهور الكرة التالي على المدى القصير.

على سبيل المثال، تستخدم نماذج الرؤية الحاسوبية مثل YOLO11، التي تدعم تتبع الكائنات عبر خوارزميات تتبع مثل ByteTrack أو SORT، بيانات الكشف من كل إطار فيديو لتقدير موضع الكرة التالي في الوقت الفعلي. ويساعد ذلك النظام على مواصلة تتبع الكرة بدقة حتى عندما تتحرك بسرعة أو تُحجب جزئيًا.

لكن هذه النماذج، رغم كفاءتها في تتبع الحركة، لا تتنبأ عادةً إلا بموضع الكرة التالي، لا بمسار طيرانها الكامل أو نقطة هبوطها. وهنا تبرز أهمية أساليب نمذجة الحركة.

بعبارة أخرى، لا يستطيع نموذج الرؤية الحاسوبية بمفرده التنبؤ بمسار الكرة بالكامل. فهو يستطيع كشف موضع الكرة وتتبعها إطارًا بعد إطار، لكنه لا يأخذ في الحسبان القوى الفيزيائية المؤثرة في حركتها، مثل الجاذبية والدوران والسحب ومقاومة الهواء.

الشكل 2. مثال على كشف الكرة وتقسيمها باستخدام Ultralytics YOLO11. (المصدر)

لإجراء تنبؤات دقيقة على المدى الطويل، غالبًا ما تُدمج البيانات المرئية المستمدة من الرؤية الحاسوبية مع أساليب نمذجة الحركة. وتستخدم هذه الأساليب إما معادلات قائمة على الفيزياء أو خوارزميات تعلم الآلة لتحليل حركة الكرة بمرور الوقت والتنبؤ بمسارها الكامل، بما في ذلك موضع هبوطها.

خوارزميات شائعة لتتبع الكرة في الرؤية الحاسوبية#

تُعد خوارزميات التتبع جزءًا أساسيًا من أنظمة التنبؤ بمسار الكرة. فهي تقدّر موضع الكرة وحركتها بمرور الوقت، مع التعامل مع تحديات مثل الحجب المؤقت (أي اختفاء الكرة عن الرؤية مؤقتًا خلف كائن آخر).

والآن، سنستعرض بعض خوارزميات التتبع الشائعة.

مرشح كالمان#

مرشح كالمان خوارزمية رياضية تُستخدم لتقدير موضع كائن وسرعته بمرور الوقت، حتى عندما تكون القياسات مشوشة أو غير مكتملة. وقد استخدمت NASA، على سبيل المثال، مرشحات كالمان لتتبع مسارات المركبات الطائرة وإعادة بنائها.

من خلال الجمع بين بيانات المستشعرات ونماذج حركة المركبات، يستطيع النظام تنقية البيانات المشوشة، وإعادة بناء مسار الطيران الفعلي بدقة، وإجراء تنبؤات قصيرة الأجل بشأن وجهة المركبة التالية. وهذا يجعل المرشحات مفيدة جدًا للتتبع والتحكم في الوقت الفعلي في مجالات عديدة.

رغم أن مرشح كالمان بحد ذاته ليس خوارزمية للرؤية الحاسوبية، فإنه يُستخدم عادةً في الأنظمة القائمة على الرؤية لتتبع الكائنات المتحركة، مثل الكرة، عبر إطارات الفيديو. ويعمل ذلك بالتنبؤ بموضع ظهور الكائن التالي، ومقارنة هذا التنبؤ ببيانات الكشف الفعلية، ثم تحديث التقدير للحفاظ على دقته. وتجعل دورة التنبؤ والتصحيح المستمرة هذه المرشح فعالًا في التتبع الآني، حتى عندما يختفي الكائن عن الرؤية لفترة وجيزة أو تتغير سرعته فجأة.

ByteTrack#

ByteTrack خوارزمية لتتبع الكائنات في الوقت الفعلي، تُستخدم لمتابعة الكائنات المتحركة، مثل الكرات، عبر إطارات الفيديو. وتعمل عبر كشف الكائنات في كل إطار وربط عمليات الكشف الخاصة بالكائن نفسه بمرور الوقت، لتكوين سلسلة متصلة تُسمى مسارًا جزئيًا.

المسار الجزئي سلسلة قصيرة من الإطارات تُظهر مواضع الكائن السابقة وكيفية حركته. وتساعد عملية الربط هذه النظام على الحفاظ على هوية ثابتة لكل كائن طوال الفيديو.

على خلاف أساليب التتبع الأقدم التي تستبعد عمليات الكشف منخفضة الثقة، يحتفظ ByteTrack بها ويعيد التحقق منها. وهذا يعني أنه يستطيع الحفاظ على تتبع سلس ومستقر حتى عندما تتحرك الكائنات بسرعة، أو تصبح ضبابية، أو تُحجب لفترة وجيزة. ورغم أن ByteTrack ليس كاشفًا للكائنات بحد ذاته، فإنه يُستخدم غالبًا مع نماذج الرؤية الحاسوبية مثل Ultralytics YOLOv8 أو YOLO11 لتتبع الكائنات بدقة وموثوقية في الوقت الفعلي.

BoT-SORT#

BoT-SORT خوارزمية متقدمة لتتبع كائنات متعددة، تحسّن طريقة متابعة الأنظمة للكائنات المتحركة عبر إطارات الفيديو. وهي تطوير لخوارزمية ByteTrack، وتضيف ميزات أساسية مثل تعويض حركة الكاميرا وإعادة التعرّف على الكائنات.

يساعد تعويض حركة الكاميرا على تصحيح أثر تحرك الكاميرا، مثل التحريك الأفقي أو الاهتزاز، بينما تتيح إعادة التعرّف للنظام تمييز الكائن نفسه ومواصلة تتبعه حتى بعد خروجه من مجال الرؤية وظهوره مجددًا. ومثل ByteTrack، تُستخدم BoT-SORT أيضًا مع نماذج مثل YOLOv8 أو YOLO11.

أساليب شائعة للتنبؤ بالمسار#

بعد أن رأينا كيفية عمل التتبع وصلته بالتنبؤ بمسار الكرة، دعونا نلقي نظرة أقرب على الأنواع الرئيسية لخوارزميات وأساليب التنبؤ بالمسار المستخدمة لتقدير حركة الكرة.

النمذجة الحركية القائمة على الفيزياء#

تتنبأ النمذجة الحركية القائمة على الفيزياء بمسار الكرة باستخدام القوانين الأساسية للحركة. وتأخذ في الحسبان عوامل مثل السرعة الابتدائية للكرة، وزاوية الإطلاق، والجاذبية، ومقاومة الهواء، والدوران، لحساب مسار طيرانها. ومن خلال الجمع بين هذه العوامل، يقدّر النموذج موضع الكرة وسرعتها واتجاهها في أي لحظة.

على سبيل المثال، تساعد هذه النمذجة في رياضات مثل البيسبول أو الغولف على التنبؤ بالمسافة التي ستقطعها الكرة واتجاهها، استنادًا إلى سرعة الضربة وزاوية الإطلاق. وعلى الرغم من دقتها العالية في البيئات المضبوطة، قد تواجه صعوبة مع ظروف العالم الحقيقي غير المتوقعة، مثل الرياح والارتدادات وتفاعلات اللاعبين، ما يؤدي إلى أخطاء في التنبؤ.

عند دمج أساليب النمذجة القائمة على الفيزياء مع الرؤية الحاسوبية، فإنها تتيح تطبيقات عملية في التحليلات الرياضية والتحكيم. فنظام Hawk-Eye، مثلًا، هو نظام رؤية متعدد الكاميرات يعيد بناء المسار الثلاثي الأبعاد للكرة في الوقت الفعلي.

يستخدم النظام عدة كاميرات عالية السرعة ومتزامنة لالتقاط موضع الكرة من زوايا متعددة، ويطبق التثليث ومعادلات الحركة وطرق الاستيفاء لتقدير مسارها. ويدعم هذا الدمج التتبع الدقيق واتخاذ القرارات في رياضات مثل التنس والكريكيت وكرة القدم، حيث تُعد دقة المسار أساسية لاتخاذ قرارات الخطوط وتحليل الأداء.

نماذج الانحدار في تعلم الآلة#

تستطيع نماذج الانحدار في تعلم الآلة التنبؤ بموضع الكرة المستقبلي أو مسارها دون الاعتماد على معادلات فيزيائية صريحة. وبدلًا من ذلك، تتعلم الأنماط من بيانات مثل الموضع والسرعة والدوران والزاوية، التي تُجمع عبر أنظمة التتبع المعتمدة على الفيديو أو المستشعرات.

عند دمج خوارزميات تتبع الرؤية الحاسوبية، يلتقط نظام الرؤية موضع الكرة عبر إطارات الفيديو. وتصبح هذه البيانات الموضعية مدخلات لنموذج الانحدار، الذي يتعلم كيف تتغير حركة الكرة بمرور الوقت. وبعد التدريب، يستطيع النموذج التنبؤ بموضع الكرة التالي أو بمسارها الكامل استنادًا إلى ما رصده بالفعل.

على سبيل المثال، في أنظمة روبوتات تنس الطاولة أو روبوتات البينغ بونغ، أظهرت نماذج الانحدار المدرّبة على آلاف المسارات المتتبعة قدرتها على التنبؤ بمسار طيران الكرة وارتداداتها في الوقت الفعلي. وهذا يتيح للروبوت تحديد موضعه أو الاستجابة بسرعة لالتقاط كرة البينغ بونغ أو إعادتها. ولأن هذه النماذج تتعلم مباشرةً من أمثلة العالم الحقيقي، فإنها غالبًا ما تتعامل مع التأثيرات غير المتوقعة، مثل الدوران وسحب الهواء وملامسة السطح، بكفاءة تفوق الأساليب القائمة على الفيزياء وحدها.

الشكل 3. كيف يتنبأ روبوت البينغ بونغ بمسار الكرة. (المصدر)

الشبكات العصبية المتكررة (RNNs) وشبكات الذاكرة طويلة قصيرة الأمد (LSTMs)#

الشبكات العصبية المتكررة (RNNs) وشبكات الذاكرة طويلة قصيرة الأمد (LSTMs) نماذج ذكاء اصطناعي مصممة لمعالجة البيانات المتغيرة بمرور الوقت، مثل الحركة أو غيرها من بيانات السلاسل الزمنية. ويمكنها تذكّر ما حدث سابقًا، ما يساعدها على تمييز أنماط الحركة والتنبؤ بما قد يحدث لاحقًا.

في التنبؤ بمسار الكرة، تتعلم هذه النماذج كيف تؤثر مواضع الكرة وسرعاتها ودوراناتها السابقة في وجهتها التالية. وعند دمجها مع الرؤية الحاسوبية وتتبع الكائنات، يستطيع نظام الرؤية التقاط مواضع الكرة عبر الإطارات. وبعد ذلك، يمكن لشبكة RNN استخدام تسلسل المواضع هذا للتنبؤ بحركة الكرة التالية أو بمسارها الكامل.

كما تتميز شبكات LSTM بأثرها الكبير، لأنها تستطيع تذكّر المعلومات لفترات أطول. وهذا يمكّنها من تتبع حركة الكرة كاملةً حتى عندما تتحرك بسرعة أو تغير اتجاهها.

دفعت الأبحاث الحديثة هذه الفكرة خطوة إلى الأمام. فقد طوّر العلماء نماذج ثنائية الاتجاه هرمية من نوع Bi-LSTM، قادرة على التنبؤ بمسارات الكرة في الرياضات الجماعية من خلال تحليل حركة اللاعبين وتفاعلهم بعضهم مع بعض. ويمكن لهذه النماذج حتى تقدير موضع الكرة عندما تكون محجوبة مؤقتًا أو خارج مجال الرؤية، باستخدام أنماط سلوك اللاعبين لاستنتاج الموضع المرجح للكرة.

تطبيقات عملية للتنبؤ بمسار الكرة#

بعد تكوين فهم أفضل للرؤية الحاسوبية والتنبؤ بمسار الكرة، دعونا نستكشف تطبيقاته العملية في مجالات مثل الرياضة وإعادة التأهيل والروبوتات.

التنبؤ بمسار الكرة في الرياضة#

يُعد فهم حركة الكرة وموضع هبوطها أمرًا بالغ الأهمية في رياضات كثيرة. وباستخدام المعلومات الواردة من الكاميرات والمستشعرات، تستطيع نماذج الذكاء الاصطناعي التنبؤ بمسار الكرة وسرعتها الابتدائية، ما يساعد الفرق الرياضية على توقع مجريات اللعب وتحسين الأساليب واتخاذ قرارات أفضل.

كما يدعم ذلك تدريب اللاعبين عبر تحليل عوامل مثل الدوران أو زاوية الإطلاق، ما يساعد الرياضيين على تحسين أدائهم وتجنب الإصابات. وتستخدم الآن أنظمة تدريب رياضي متطورة كثيرة التنبؤ بمسار الكرة لتعزيز تطوير المهارات والاستراتيجية.

على سبيل المثال، طوّر باحثون نظام رؤية حاسوبية لروبوتات التنس قادرًا على كشف مسار كرة التنس والتنبؤ به. وباستخدام كاميرات مجسمة وشبكات عصبية التفافية، يساعد النظام الروبوت على رؤية الكرة في ثلاثة أبعاد (المحور x والمحور y والمحور z) والاستجابة بدقة أكبر أثناء اللعب. وقد يشكل ذلك أداةً رائدة لتدريب اللاعبين على المنافسات.

الشكل 4. يوضح الأحمر المسار المحاكى، بينما يوضح الأزرق تنبؤ الروبوت بمسار الكرة. (المصدر)

إيجابيات وسلبيات التنبؤ بمسار الكرة باستخدام الرؤية الحاسوبية#

فيما يلي بعض المزايا الرئيسية لاستخدام أنظمة التنبؤ بمسار الكرة القائمة على الرؤية الحاسوبية:

• التنبؤ في الوقت الفعلي: تستطيع هذه الأنظمة التنبؤ بدقة وفورًا بمسار الكرة المستقبلي، حتى عند السرعات العالية.
• غير تدخّلية: يمكنها العمل اعتمادًا على مدخلات الفيديو وحدها، دون الحاجة إلى مستشعرات أو علامات مادية.
• قابلة للتوسع والتكيف: يمكن تطبيق أنظمة التنبؤ بمسار الكرة القائمة على الرؤية في رياضات وبيئات مختلفة باستخدام إعدادات الكاميرات القياسية.

على الرغم من فوائد التنبؤ بمسار الكرة باستخدام الرؤية الحاسوبية، توجد بعض القيود التي ينبغي مراعاتها. وفيما يلي عوامل جديرة بالانتباه:

• تحديات الحجب: قد تنخفض دقة التنبؤات غالبًا عندما تُحجب الكرة خلف اللاعبين أو الكائنات الأخرى.
• مشكلات الإضاءة والرؤية: قد يكون أداء هذه الأنظمة ضعيفًا في ظروف الإضاءة السيئة أو عند وجود خلفيات معقدة، مثل الليل.
• متطلبات حسابية مرتفعة: تتطلب معالجة الفيديو ذي معدل الإطارات المرتفع ونماذج التعلم العميق أجهزة قوية قد تكون باهظة التكلفة.

أبرز النقاط#

يجمع التنبؤ بمسار الكرة باستخدام الذكاء الاصطناعي البصري بين الفيزياء والرؤية الحاسوبية وتعلم الآلة لفهم الحركة والتنبؤ بها بدقة لافتة. فمن تحليل الأداء الرياضي إلى مساعدة المرضى على التعافي وأنظمة الأتمتة الصناعية، يحوّل التنبؤ بالمسار البيانات المرئية إلى رؤى قابلة للتطبيق. ومع استمرار تقدم التكنولوجيا، فإنه يمهد الطريق لأساليب أكثر ذكاءً وسرعةً وقدرةً على التكيف، تعزز الأداء والسلامة واتخاذ القرارات.

كن جزءًا من مجتمعنا المتنامي واستكشف مستودعنا على GitHub للاطلاع على موارد عملية في الذكاء الاصطناعي. ولبناء تطبيقات باستخدام الذكاء الاصطناعي البصري اليوم، استكشف خيارات الترخيص لدينا. تعرّف على كيفية إحداث الذكاء الاصطناعي في الزراعة تحولًا في الزراعة، وكيف يشكّل الذكاء الاصطناعي البصري في الروبوتات المستقبل، من خلال زيارة صفحات حلولنا.