تحسين 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 شاهدت على الأرجح مباريات كرة سلة متنوعة وتعرف ما يمكن توقعه. تخيل الآن آلة تشاهد مباراة كرة سلة عبر كاميرا وتحاول معرفة ما إذا كانت التسديدة ستدخل السلة.

الأمر أكثر تعقيدًا بكثير. فمحاكاة الذكاء البصري الذي نطوره من خلال الخبرة ليست بالبساطة التي تبدو عليها. في الواقع، يُعد التنبؤ بمسار الكرة مجالًا بحثيًا مثيرًا يستكشف كيفية تحليل الآلات للحركة والدوران والزاوية للتنبؤ بالمكان الذي ستهبط فيه الكرة.

الشكل 1. مسار تسديدة كرة سلة. (المصدر)

في وقت مبكر يعود إلى عام 1537، اكتشف عالم الرياضيات الإيطالي نيكولو تارتاليا أن قذيفة المدفع تقطع أبعد مسافة عند إطلاقها بزاوية 45 درجة. وقد أرست اكتشافاته الأساس لفهمنا الحالي للحركة والتنبؤ.

والآن، بفضل التطورات 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 التنبؤ بمكان هبوطها. ويساعد ذلك في تطبيقات تتراوح بين تدريب اللاعبين وتحليل الأداء، والرعاية 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 التعرف على الكائنات وتتبع حركتها وفهم ما تراه عبر الكاميرات أو الفيديو.

عند تطبيقها على التنبؤ بمسار الكرة، يمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 وUltralytics YOLO26 مساعدة النظام على 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 والخوارزميات المختلفة استخدام هذه البيانات للتنبؤ بالاتجاه الذي ستتحرك فيه الكرة لاحقًا.

في هذه المقالة، 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 إلى تطوير تقنيات عملية ومؤثرة في العديد من المجالات. فعلى سبيل المثال، يتيح التنبؤ بالمسار في المركبات ذاتية القيادة للسيارات توقع المسارات المستقبلية للمركبات الأخرى وراكبي الدراجات والمشاة. ومن خلال التنبؤ بمواقع هذه الأجسام المتحركة خلال الثواني القليلة التالية، تستطيع أنظمة القيادة الذاتية اتخاذ قرارات أكثر أمانًا وكفاءة عبر تعديل السرعة أو تغيير المسارات أو تجنب الاصطدامات المحتملة مسبقًا.

وبالمثل، يتيح التنبؤ بمسار الكرة في مجال الروبوتات للآلات اكتشاف الأجسام المتحركة وتتبعها والتفاعل معها بدرجة عالية من الدقة. ويُعد ذلك مفيدًا بصورة خاصة في الأنظمة المؤتمتة التي تحتاج إلى التعامل مع عناصر سريعة الحركة في الوقت الفعلي، مثل الروبوتات الصناعية أو طائرات التوصيل المسيّرة.

نظرة عامة على كيفية عمل التنبؤ بمسار الكرة#

إذًا، كيف يعمل التنبؤ بمسار الكرة فعليًا؟ يعتمد ذلك على الطريقة المستخدمة. وبوجه عام، يهدف كل نهج إلى تحقيق الأمر نفسه: فهم كيفية تحرك الكرة الآن والتنبؤ بالاتجاه الذي ستتحرك فيه لاحقًا.

إليك لمحة عن بعض الأساليب المختلفة المستخدمة:

• النمذجة القائمة على الفيزياء: يستخدم هذا النهج قوانين الحركة والديناميكا الهوائية لحساب تأثير عوامل مثل السرعة وزاوية الإطلاق والجاذبية ومقاومة الهواء في مسار طيران الكرة.
• نماذج التعلم الآلي: تحلل هذه النماذج مجموعات كبيرة من بيانات الحركة لتعلم الأنماط التي تتحرك بها الكرة، مما يتيح لها إجراء تنبؤات دقيقة دون الاعتماد على معادلات فيزيائية صريحة.
• التنبؤ القائم على الرؤية الحاسوبية: تستخدم هذه الطريقة لقطات الفيديو لاكتشاف الكرة وتتبعها إطارًا تلو الآخر، وإنتاج بيانات مرئية تساعد الخوارزميات على تقدير سرعتها واتجاهها وموضعها المستقبلي.
• الأنظمة القائمة على المستشعرات: تستخدم هذه الأنظمة البيانات الواردة من مستشعرات الحركة أو الرادار أو الكاميرات العاملة بالأشعة تحت الحمراء لقياس موضع الكرة وسرعتها ودورانها بدقة في الوقت الفعلي.
• الأساليب الهجينة: تجمع بين تقنيتين أو أكثر. فعلى سبيل المثال، دمج الرؤية الحاسوبية مع النمذجة القائمة على الفيزياء لتحقيق تنبؤات أكثر دقة وموثوقية لمسار الكرة.

بعد ذلك، سنلقي نظرة فاحصة على كيفية عمل التنبؤ بمسار الكرة القائم على الرؤية الحاسوبية، وعلى الخوارزميات التي تجعله ممكنًا.

أساسيات التنبؤ بمسار الكرة#

قبل أن نلقي نظرة على دور الرؤية الحاسوبية في التنبؤ بمسار الكرة وكيفية عمل هذه الأنظمة، دعونا نستعرض الأساسيات.

يتضمن التنبؤ بمسار الكرة عمومًا جزأين رئيسيين: التتبع ونمذجة الحركة. تُستخدم خوارزميات التتبع لمتابعة الكرة إطارًا تلو الآخر في مقطع فيديو، مع تقدير موضع ظهورها التالي. وتفيد هذه الأساليب في إجراء تنبؤات قصيرة المدى وفي الوقت الفعلي.

أما أساليب نمذجة الحركة (التي تتضمن عادةً الفيزياء أو التعلم الآلي)، فتتقدم خطوة إضافية. إذ تهدف إلى التنبؤ بالمسار الكامل للكرة، بما في ذلك المكان الذي ستهبط فيه.

ببساطة، يحدد التتبع موضع الكرة الحالي وحركتها، بينما تستخدم النمذجة هذه المعلومات لتقدير مسارها المستقبلي ونقطة هبوطها. وتمكّنهما معًا من التنبؤ الدقيق بمسار الكرة في الوقت الفعلي.

نظرة فاحصة على التتبع ونمذجة الحركة#

قد تتساءل عن سبب أهمية التمييز بين التتبع والتنبؤ. ومع استكشافنا لهذا الموضوع بمزيد من التفصيل، ستلاحظ أن العديد من خوارزميات التتبع لا تكتفي بالتتبع، بل تُجري أيضًا تنبؤات قصيرة المدى حول موضع ظهور الكرة التالي.

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

ومع ذلك، ورغم براعة هذه النماذج في متابعة الحركة، فإنها تتنبأ عادةً بموضع الكرة التالي فقط، لا بمسار طيرانها بالكامل أو نقطة هبوطها. وهنا تصبح أساليب نمذجة الحركة ضرورية.

بعبارة أخرى، لا يستطيع نموذج الرؤية الحاسوبية بمفرده التنبؤ بمسار الكرة بالكامل. فهو يستطيع اكتشاف موضع الكرة وتتبعها إطارًا تلو الآخر، لكنه لا يأخذ في الحسبان القوى الفيزيائية التي تؤثر في حركتها، مثل الجاذبية والدوران والسحب أو مقاومة الهواء.

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

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

الخوارزميات الشائعة المستخدمة 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 الاحتجاب المؤقت (عندما يحجب جسم آخر الكرة مؤقتًا عن الرؤية).

بعد ذلك، سنستعرض بعض خوارزميات التتبع الشائعة.

مرشح Kalman#

يُعد مرشح Kalman خوارزمية رياضية تُستخدم لتقدير موضع جسم وسرعته بمرور الوقت، حتى عندما تكون القياسات مشوشة أو غير مكتملة. فعلى سبيل المثال، استخدمت NASA مرشحات Kalman لتتبع مسارات المركبات الجوية وإعادة بنائها.

ومن خلال دمج بيانات المستشعرات مع نماذج حركة المركبة، يستطيع النظام تنقية البيانات المشوشة وإعادة بناء مسار الطيران الفعلي بدقة وإجراء تنبؤات قصيرة المدى حول الاتجاه الذي ستتحرك فيه المركبة لاحقًا. وهذا يجعل المرشحات مفيدة جدًا للتتبع والتحكم في الوقت الفعلي في العديد من المجالات.

مع أن مرشح Kalman نفسه ليس خوارزمية للرؤية الحاسوبية، فإنه يُستخدم شائعًا في الأنظمة القائمة على الرؤية لتتبع الأجسام المتحركة، مثل الكرة، عبر إطارات الفيديو. ويعمل من خلال التنبؤ بموضع ظهور الجسم التالي، ومقارنة ذلك التنبؤ ببيانات الاكتشاف الفعلية، ثم تحديث تقديره للحفاظ على دقته. وتجعل دورة التنبؤ والتصحيح المستمرة هذه الخوارزمية فعالة للتتبع في الوقت الفعلي، حتى عندما يختفي الجسم عن الرؤية لفترة وجيزة أو يغير سرعته فجأة.

ByteTrack#

ByteTrack خوارزمية لتتبع الأجسام في الوقت الفعلي، وتُستخدم لمتابعة الأجسام المتحركة مثل الكرات عبر إطارات الفيديو. وتعمل من خلال اكتشاف الأجسام في كل إطار وربط اكتشافات الجسم نفسه بمرور الوقت، لإنشاء تسلسل مستمر يُسمى مسارًا جزئيًا.

المسار الجزئي هو سلسلة قصيرة من الإطارات توضح أين كان الجسم وكيف تحرك. وتساعد عملية الربط هذه النظام على الحفاظ على هوية متسقة لكل جسم طوال مدة الفيديو.

وعلى خلاف أساليب التتبع الأقدم التي تستبعد الاكتشافات منخفضة الثقة، يحتفظ ByteTrack بها ويعيد فحصها. وهذا يعني أنه يستطيع الحفاظ على تتبع سلس ومستقر حتى عندما تتحرك الأجسام بسرعة أو تصبح ضبابية أو تُحجب لفترة وجيزة. ورغم أن ByteTrack ليس كاشف أجسام مستقلًا، فإنه يُستخدم غالبًا مع نماذج الرؤية الحاسوبية مثل Ultralytics YOLOv8 أو YOLO11 لتتبع الأجسام بدقة وموثوقية في الوقت الفعلي.

BoT-SORT#

BoT-SORT خوارزمية متقدمة لتتبع أجسام متعددة، تحسن طريقة متابعة الأنظمة للأجسام المتحركة عبر إطارات الفيديو. وهي مبنية على ByteTrack وتضيف ميزات أساسية مثل تعويض حركة الكاميرا وإعادة تعريف الأجسام.

يساعد تعويض حركة الكاميرا على تصحيح حركتها، مثل التحريك أو الاهتزاز، بينما تتيح إعادة التعريف للنظام التعرف على الجسم نفسه ومواصلة تتبعه حتى بعد خروجه من مجال الرؤية وظهوره فيه مجددًا. وكما هو الحال مع ByteTrack، تُستخدم هذه الخوارزمية أيضًا مع نماذج مثل YOLOv8 أو YOLO11.

أساليب التنبؤ الشائعة بالمسار#

بعد أن تعرفنا على كيفية عمل التتبع وصلته بالتنبؤ بمسار الكرة، دعونا نلقي نظرة فاحصة 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، تقدر النمذجة موضع الكرة وسرعة حركتها واتجاهها في أي لحظة.

فعلى سبيل المثال، تساعد هذه النمذجة في رياضات مثل البيسبول أو الغولف على التنبؤ بالمسافة التي ستقطعها الكرة والاتجاه الذي ستتحرك فيه استنادًا إلى سرعة الضربة وزاوية الإطلاق. ورغم دقتها العالية في البيئات الخاضعة للتحكم، فقد تواجه صعوبة في التعامل مع الظروف الواقعية غير المتوقعة مثل الرياح أو الارتدادات أو تفاعلات اللاعبين، مما يسبب أخطاء في التنبؤ.

عند دمجها مع الرؤية الحاسوبية، تتيح الأساليب القائمة على النماذج الفيزيائية تطبيقات عملية في تحليلات الرياضة والتحكيم. فعلى سبيل المثال، يُعد Hawk-Eye نظام رؤية متعدد الكاميرات يعيد بناء المسار ثلاثي الأبعاد للكرة في الوقت الفعلي.

ويستخدم عدة كاميرات عالية السرعة ومتزامنة لالتقاط موضع الكرة من زوايا متعددة، ويطبق التثليث والمعادلات الحركية وأساليب الاستيفاء لتقدير مسارها. ويدعم هذا الدمج التتبع الدقيق واتخاذ القرارات في رياضات تشمل التنس والكريكيت وكرة القدم، حيث تُعد دقة المسار ضرورية لاتخاذ قرارات الكرات وخطوط الملعب وتحليل الأداء.

نماذج الانحدار في التعلم الآلي#

يمكن لنماذج الانحدار في التعلم الآلي التنبؤ بالموضع أو المسار المستقبلي للكرة دون الاعتماد على معادلات فيزيائية صريحة. وبدلًا من ذلك، تتعلم هذه النماذج الأنماط من بيانات مثل الموضع والسرعة والدوران والزاوية، التي تُجمع عبر أنظمة التتبع المعتمدة على الفيديو أو المستشعرات.

عند دمجها مع خوارزميات تتبع الرؤية الحاسوبية، يلتقط نظام الرؤية موضع الكرة عبر إطارات الفيديو. وتصبح بيانات الموضع هذه مدخلًا لنموذج الانحدار، الذي يتعلم كيفية تغير حركة الكرة بمرور الوقت. وبعد تدريبه، يستطيع النموذج التنبؤ بموضع الكرة التالي أو مسارها الكامل استنادًا إلى ما رصده بالفعل.

فعلى سبيل المثال، فيما يتعلق بـروبوتات تنس الطاولة أو أنظمة روبوتات كرة الطاولة، ثبت أن نماذج الانحدار المدربة على آلاف المسارات المتتبعة تستطيع التنبؤ بمسار طيران الكرة وأنماط ارتدادها في الوقت الفعلي. ويتيح ذلك للروبوت تحديد موضعه أو الاستجابة بسرعة لالتقاط كرة تنس الطاولة أو ردها. ولأن هذه النماذج تتعلم مباشرة من أمثلة واقعية، فإنها غالبًا ما تتعامل مع التأثيرات غير المتوقعة، مثل الدوران أو سحب الهواء أو ملامسة السطح، بصورة أفضل من الأساليب القائمة على الفيزياء وحدها.

الشكل 3. كيفية تنبؤ روبوت تنس الطاولة بمسار الكرة. (المصدر)

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

الشبكات العصبية المتكررة (RNNs) وشبكات الذاكرة طويلة وقصيرة الأمد (LSTMs) هي نماذج ذكاء اصطناعي مصممة لمعالجة البيانات التي تتغير بمرور الوقت، مثل الحركة أو غيرها من معلومات السلاسل الزمنية. ويمكنها تذكر ما حدث سابقًا، مما يساعدها على التعرف على أنماط الحركة والتنبؤ بما قد يحدث لاحقًا.

في التنبؤ بمسار الكرة، تتعلم هذه النماذج كيف تؤثر مواضع الكرة السابقة وسرعاتها ودورانها في الاتجاه الذي ستتحرك فيه لاحقًا. وعند دمجها مع الرؤية الحاسوبية وتتبع الأجسام، يستطيع نظام الرؤية التقاط مواضع الكرة عبر الإطارات. ثم يمكن لشبكة RNN استخدام سلسلة المواضع هذه للتنبؤ بحركة الكرة التالية أو بمسارها الكامل.

كما تتميز شبكات LSTMs بأهمية خاصة لأنها تستطيع تذكر المعلومات لفترات أطول. ويتيح لها ذلك متابعة حركة الكرة كاملة حتى عندما تتحرك بسرعة أو تغير اتجاهها.

وقد دفعت الأبحاث الحديثة هذه الفكرة خطوة إضافية. فقد طور العلماء نماذج Hierarchical Bi-LSTM قادرة على التنبؤ بمسارات الكرة في الرياضات الجماعية من خلال تحليل كيفية تحرك 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 المكان الأكثر احتمالًا لوجود الكرة فيه.

التطبيقات الواقعية للتنبؤ بمسار الكرة#

بعد 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 كيفية تحرك الكرة ومكان هبوطها أمرًا بالغ الأهمية في العديد من الرياضات. وباستخدام المعلومات الواردة من الكاميرات والمستشعرات، تستطيع نماذج الذكاء الاصطناعي التنبؤ بمسار الكرة وسرعتها الابتدائية، مما يساعد الفرق الرياضية على توقع مجريات اللعب وتحسين التقنيات واتخاذ قرارات أكثر ذكاءً.

كما يدعم تدريب اللاعبين من خلال تحليل عوامل مثل الدوران أو زاوية الإفلات، مما يساعد الرياضيين على تحسين الأداء وتجنب الإصابات. وتستخدم الآن العديد من أنظمة التدريب الرياضي المتقدمة التنبؤ بمسار الكرة لتعزيز تطوير المهارات والاستراتيجية.

فعلى سبيل المثال، طور الباحثون نظام رؤية حاسوبية لروبوتات التنس يستطيع اكتشاف مسار كرة التنس والتنبؤ به. وباستخدام كاميرات مجسمة وشبكات عصبية تلافيفية، يساعد النظام الروبوت على رؤية الكرة في ثلاثة أبعاد (المحور x والمحور y والمحور z) والاستجابة بدقة أكبر أثناء اللعب. ويمكن أن تكون هذه أداة تحولية لتدريب اللاعبين للمنافسات.

الشكل 4. يوضح الأحمر المسار المحاكى؛ ويوضح الأزرق تنبؤ الروبوت بمسار الكرة. (المصدر)

إيجابيات وسلبيات التنبؤ بمسار الكرة القائم على 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 بالمسار المستقبلي للكرة فورًا، حتى عند السرعات العالية.
• غير تدخلي: يمكنها العمل اعتمادًا على إدخال الفيديو فقط، دون الحاجة إلى مستشعرات أو علامات مادية.
• قابل للتوسع والتكيف: يمكن تطبيق أنظمة التنبؤ بمسار الكرة القائمة على الرؤية في رياضات وبيئات مختلفة باستخدام إعدادات كاميرات قياسية.

رغم أن التنبؤ بمسار الكرة القائم على الرؤية الحاسوبية يوفر فوائد عديدة، فهناك أيضًا بعض القيود التي ينبغي مراعاتها. وفيما يلي بعض العوامل التي يجب أخذها في الحسبان:

• تحديات الاحتجاب: قد تصبح التنبؤات أقل دقة غالبًا عندما تكون الكرة محجوبة خلف اللاعبين أو الأجسام الأخرى.
• مشكلات الإضاءة وإمكانية الرؤية: قد ينخفض أداء هذه الأنظمة في ظروف الإضاءة السيئة أو الخلفيات المعقدة، مثل العمل ليلًا.
• متطلبات حسابية عالية: تتطلب معالجة الفيديو ذي معدل الإطارات المرتفع ونماذج التعلم العميق أجهزة قوية قد تكون مكلفة.

أهم النقاط المستخلصة#

يجمع التنبؤ بمسار الكرة باستخدام الذكاء الاصطناعي للرؤية بين الفيزياء والرؤية الحاسوبية والتعلم الآلي لفهم الحركة والتنبؤ بها بدقة لافتة. ومن تحليل الأداء الرياضي إلى المساعدة في تعافي المرضى وأنظمة الأتمتة الصناعية، يحول التنبؤ بالمسار البيانات المرئية إلى رؤى قابلة للتنفيذ. ومع استمرار تقدم التقنية، فإنه يمهد الطريق لأساليب أكثر ذكاءً وسرعة وقدرة على التكيف، تعزز الأداء والسلامة واتخاذ القرارات.

كن جزءًا من مجتمعنا المتنامي، واستكشف مستودعنا على GitHub للحصول على موارد عملية في مجال الذكاء الاصطناعي. وللبناء باستخدام الذكاء الاصطناعي للرؤية اليوم، استكشف خيارات الترخيص لدينا. تعرّف على كيفية مساهمة الذكاء الاصطناعي في الزراعة في تحويل الزراعة، وكيف يعمل الذكاء الاصطناعي للرؤية في الروبوتات على رسم ملامح المستقبل، وذلك بزيارة صفحات حلولنا.