Flugbahnvorhersagen mit Vision AI verbessern

Wenn dein Lieblingsbasketballspieler einen Wurf nimmt, kannst du oft einschätzen, ob der Ball im Korb landet oder danebengeht. Als Mensch kannst du das vorhersagen, weil du wahrscheinlich schon viele Basketballspiele gesehen hast und weißt, was zu erwarten ist. Stell dir nun vor, eine Maschine beobachtet ein Basketballspiel durch eine Kamera und versucht herauszufinden, ob der Ball im Korb landet.

Das ist deutlich komplizierter. Die visuelle Intelligenz, die wir durch Erfahrung entwickeln, lässt sich nicht so einfach nachbilden. Tatsächlich ist die Vorhersage der Flugbahn eines Balls ein faszinierendes Forschungsgebiet, das untersucht, wie Maschinen Bewegung, Drall und Winkel analysieren können, um vorherzusagen, wo ein Ball landen wird.

Abb. 1. Flugbahn eines Basketballwurfs. (Quelle)

Bereits 1537 entdeckte der italienische Mathematiker Niccolò Tartaglia, dass eine Kanonenkugel am weitesten fliegt, wenn sie in einem Winkel von 45 Grad abgefeuert wird. Seine Erkenntnisse legten den Grundstein für unser heutiges Verständnis von Bewegung und Vorhersage.

Dank der Fortschritte in der Informatik und der künstlichen Intelligenz (AI) können Maschinen die Flugbahn eines Balls heute präzise und in Echtzeit vorhersagen. Durch die Analyse von Details wie Position, Geschwindigkeit, Drall und Winkel des Balls können KI-Systeme vorhersagen, wo er landen wird. Das ermöglicht Anwendungen vom Spielertraining und der Leistungsanalyse bis hin zum Gesundheitswesen und zur Robotik.

Insbesondere ist Computer Vision ein Bereich der KI, der Maschinen dabei hilft, visuelle Informationen aus ihrer Umgebung zu interpretieren und zu verstehen. Dadurch können Systeme Objekte erkennen, ihre Bewegungen verfolgen und die Bilder erfassen, die sie über Kameras oder Videos sehen.

Bei der Vorhersage der Flugbahn eines Balls können Computer-Vision-Modelle wie Ultralytics YOLO11 und Ultralytics YOLO26 einem System helfen, den Ball Bild für Bild zu erkennen und zu verfolgen. Diese visuellen Daten liefern genaue Informationen über die Position des Balls in jedem Bild. Daraus lässt sich seine Geschwindigkeit und Richtung im Zeitverlauf schätzen. KI-Modelle und verschiedene Algorithmen können diese Daten anschließend nutzen, um vorherzusagen, wohin sich der Ball als Nächstes bewegt.

In diesem Artikel befassen wir uns mit der Vorhersage von Ballflugbahnen, den verschiedenen Ansätzen dafür und der Rolle von Computer Vision.

Die Bedeutung der Vorhersage von Ballflugbahnen#

Die Vorhersage von Ballflugbahnen ist nicht nur ein interessantes Forschungsgebiet, sondern treibt auch die Entwicklung praktischer und wirkungsvoller Technologien in vielen Bereichen voran. In autonomen Fahrzeugen ermöglicht die Vorhersage von Bewegungsbahnen beispielsweise, dass Autos die künftigen Wege anderer Fahrzeuge, Radfahrer und Fußgänger voraussehen. Indem selbstfahrende Systeme prognostizieren, wo sich diese beweglichen Objekte in den nächsten Sekunden wahrscheinlich befinden, können sie sicherere und effizientere Entscheidungen treffen, indem sie rechtzeitig die Geschwindigkeit anpassen, die Spur wechseln oder mögliche Zusammenstöße vermeiden.

Auch in der Robotik ermöglicht die Vorhersage von Ballflugbahnen Maschinen, bewegliche Objekte mit hoher Präzision zu erkennen, zu verfolgen und auf sie zu reagieren. Das ist besonders nützlich für automatisierte Systeme, die sich in Echtzeit bewegende Objekte handhaben müssen, etwa Industrieroboter oder Lieferdrohnen.

Ein Überblick über die Funktionsweise der Vorhersage von Ballflugbahnen#

Wie funktioniert die Vorhersage der Flugbahn eines Balls also genau? Das hängt von der verwendeten Methode ab. Im Allgemeinen verfolgen alle Ansätze dasselbe Ziel: zu verstehen, wie sich der Ball gerade bewegt, und vorherzusagen, wohin er sich als Nächstes bewegt.

Hier ein Einblick in verschiedene verwendete Ansätze:

• Physikbasierte Modellierung: Bei diesem Ansatz werden die Bewegungsgesetze und die Aerodynamik herangezogen, um zu berechnen, wie Faktoren wie Geschwindigkeit, Abwurfwinkel, Schwerkraft und Luftwiderstand die Flugbahn des Balls beeinflussen.
• Modelle des maschinellen Lernens: Diese Modelle analysieren große Mengen an Bewegungsdaten, um Muster in der Bewegung eines Balls zu erlernen. Dadurch können sie genaue Vorhersagen treffen, ohne auf explizite physikalische Gleichungen angewiesen zu sein.
• Vorhersage auf Basis von Computer Vision: Bei dieser Methode werden Videoaufnahmen verwendet, um den Ball Bild für Bild zu erkennen und zu verfolgen. Dabei entstehen visuelle Daten, anhand derer Algorithmen seine Geschwindigkeit, Richtung und künftige Position schätzen können.
• Sensorbasierte Systeme: Diese Systeme nutzen Daten von Bewegungssensoren, Radar oder Infrarotkameras, um Position, Geschwindigkeit und Drall des Balls in Echtzeit präzise zu messen.
• Hybride Methoden: Sie kombinieren zwei oder mehr Verfahren. So lässt sich beispielsweise Computer Vision mit physikbasierter Modellierung verbinden, um genauere und zuverlässigere Flugbahnvorhersagen zu erzielen.

Als Nächstes sehen wir uns genauer an, wie die Vorhersage von Ballflugbahnen mithilfe von Computer Vision funktioniert und welche Algorithmen sie ermöglichen.

Grundlagen der Vorhersage von Ballflugbahnen#

Bevor wir uns ansehen, welche Rolle Computer Vision bei der Vorhersage von Ballflugbahnen spielt und wie diese Systeme funktionieren, schauen wir uns zunächst die Grundlagen an.

Die Vorhersage von Ballflugbahnen umfasst im Allgemeinen zwei Hauptbestandteile: Verfolgung und Bewegungsmodellierung. Verfolgungsalgorithmen zeichnen den Ball Bild für Bild in einem Video nach und schätzen, wo er als Nächstes zu sehen sein wird. Diese Methoden eignen sich für kurzfristige Vorhersagen in Echtzeit.

Bewegungsmodellierungsmethoden gehen dagegen einen Schritt weiter und beruhen üblicherweise auf Physik oder maschinellem Lernen. Sie zielen darauf ab, die gesamte Flugbahn des Balls vorherzusagen, einschließlich seines Landepunkts.

Einfach ausgedrückt, bestimmt die Verfolgung die aktuelle Position und Bewegung des Balls, während die Modellierung diese Informationen nutzt, um seine künftige Flugbahn und seinen Landepunkt zu schätzen. Zusammen ermöglichen sie eine genaue Vorhersage der Ballflugbahn in Echtzeit.

Ein genauerer Blick auf Verfolgung und Bewegungsmodellierung#

Vielleicht fragst du dich, warum die Unterscheidung zwischen Verfolgung und Vorhersage wichtig ist. Wenn wir uns näher mit diesem Thema befassen, wirst du feststellen, dass viele Verfolgungsalgorithmen nicht nur Objekte verfolgen. Sie sagen auch kurzfristig voraus, wo der Ball als Nächstes auftauchen wird.

Computer-Vision-Modelle wie YOLO11, die Objekte verfolgen und dafür Verfolgungsalgorithmen wie ByteTrack oder BoT-SORT nutzen, werten beispielsweise Erkennungsdaten aus jedem Videobild aus, um die nächste Position des Balls in Echtzeit einzuschätzen. So kann das System den Ball auch dann zuverlässig verfolgen, wenn er sich schnell bewegt oder teilweise verdeckt ist.

Diese Modelle eignen sich zwar hervorragend zur Bewegungsverfolgung, sagen aber in der Regel nur die nächste Position des Balls voraus und nicht seine gesamte Flugbahn oder seinen Landepunkt. Hier kommen Methoden zur Bewegungsmodellierung ins Spiel.

Mit anderen Worten: Ein Computer-Vision-Modell allein kann die Flugbahn eines Balls nicht vollständig vorhersagen. Es kann den Ball erkennen und seine Position Bild für Bild verfolgen, berücksichtigt aber nicht die physikalischen Kräfte, die seine Bewegung beeinflussen, etwa Schwerkraft, Drall, Luftwiderstand oder Luftreibung.

Abb. 2: Ein Beispiel für Ballerkennung und Segmentierung mit Ultralytics YOLO11. (Quelle)

Für präzise Langzeitvorhersagen werden visuelle Daten aus der Computer Vision häufig mit Methoden zur Bewegungsmodellierung kombiniert. Diese Methoden verwenden entweder physikbasierte Gleichungen oder Algorithmen des maschinellen Lernens, um die Bewegung des Balls im Zeitverlauf zu analysieren und seine vollständige Flugbahn vorherzusagen, einschließlich seines Landepunkts.

Gängige Algorithmen zur Ballverfolgung in der Computer Vision#

Verfolgungsalgorithmen sind ein wesentlicher Bestandteil von Systemen zur Vorhersage der Flugbahn eines Balls. Sie schätzen die Position und Bewegung des Balls im Zeitverlauf und bewältigen dabei Herausforderungen wie kurzzeitige Verdeckungen, bei denen ein anderes Objekt den Ball vorübergehend aus dem Blickfeld verdeckt.

Im Folgenden sehen wir uns einige gängige Verfolgungsalgorithmen an.

Kalman-Filter#

Der Kalman-Filter ist ein mathematischer Algorithmus, mit dem sich die Position und Geschwindigkeit eines Objekts im Zeitverlauf schätzen lassen, selbst wenn die Messwerte verrauscht oder unvollständig sind. NASA hat Kalman-Filter beispielsweise verwendet, um Flugbahnen von Flugkörpern zu verfolgen und zu rekonstruieren.

Durch die Kombination von Sensordaten mit Bewegungsmodellen für Flugkörper kann das System verrauschte Daten bereinigen, die tatsächliche Flugbahn präzise rekonstruieren und kurzfristig vorhersagen, wohin sich der Flugkörper als Nächstes bewegt. Dadurch eignen sich die Filter in vielen Bereichen besonders gut für die Verfolgung und Steuerung in Echtzeit.

Der Kalman-Filter selbst ist zwar kein Computer-Vision-Algorithmus, wird aber häufig in bildbasierten Systemen verwendet, um sich bewegende Objekte wie einen Ball über Videobilder hinweg zu verfolgen. Dazu sagt er voraus, wo das Objekt als Nächstes auftauchen wird, vergleicht diese Vorhersage mit den tatsächlichen Erkennungsdaten und aktualisiert anschließend seine Schätzung, damit sie präzise bleibt. Dieser kontinuierliche Zyklus aus Vorhersage und Korrektur eignet sich gut für die Verfolgung in Echtzeit, auch wenn das Objekt kurzzeitig aus dem Blickfeld verschwindet oder plötzlich seine Geschwindigkeit ändert.

ByteTrack#

ByteTrack ist ein Algorithmus zur Objektverfolgung in Echtzeit, mit dem sich bewegende Objekte wie Bälle über Videobilder hinweg verfolgen lassen. Dabei erkennt er Objekte in jedem Bild und verknüpft die Erkennungen desselben Objekts im Zeitverlauf zu einer fortlaufenden Folge, einem sogenannten Tracklet.

Ein Tracklet ist eine kurze Folge von Bildern, die zeigt, wo sich das Objekt befunden hat und wie es sich bewegt. Durch diese Verknüpfung kann das System jedem Objekt im gesamten Video eine eindeutige Identität zuordnen.

Im Gegensatz zu älteren Verfolgungsmethoden, die Erkennungen mit niedriger Konfidenz verwerfen, behält ByteTrack diese bei und überprüft sie erneut. So kann der Algorithmus die Verfolgung auch dann flüssig und stabil fortsetzen, wenn sich Objekte schnell bewegen, unscharf werden oder kurzzeitig verdeckt sind. ByteTrack ist zwar selbst kein Objektdetektor, wird aber häufig zusammen mit Computer-Vision-Modellen wie Ultralytics YOLOv8 oder YOLO11 verwendet, um Objekte präzise und zuverlässig in Echtzeit zu verfolgen.

BoT-SORT#

BoT-SORT ist ein fortschrittlicher Algorithmus zur Verfolgung mehrerer Objekte, der die Verfolgung bewegter Objekte über Videobilder hinweg verbessert. Er baut auf ByteTrack auf und ergänzt wichtige Funktionen wie die Kompensation von Kamerabewegungen und die erneute Identifizierung von Objekten.

Die Kompensation von Kamerabewegungen gleicht Bewegungen wie Schwenks oder Verwacklungen aus. Die Wiedererkennung ermöglicht es dem System, dasselbe Objekt zu erkennen und weiterzuverfolgen, selbst wenn es aus dem Bild verschwindet und später wieder auftaucht. Wie ByteTrack ist auch diese Funktion im Tracking-Modus von Ultralytics verfügbar und kann mit Modellen wie YOLOv8 oder YOLO11 verwendet werden.

Gängige Methoden zur Flugbahnvorhersage#

Nachdem wir gesehen haben, wie die Verfolgung funktioniert und wie sie mit der Vorhersage der Flugbahn eines Balls zusammenhängt, werfen wir nun einen genaueren Blick auf die wichtigsten Arten von Algorithmen und Methoden, mit denen sich die Bewegung eines Balls vorhersagen lässt.

Physikbasierte kinematische Modellierung#

Die physikbasierte kinematische Modellierung sagt die Flugbahn eines Balls anhand der grundlegenden Bewegungsgesetze voraus. Sie berücksichtigt Faktoren wie die Anfangsgeschwindigkeit des Balls, den Abschusswinkel, die Schwerkraft, den Luftwiderstand und den Drall, um seine Flugbahn zu berechnen. Durch die Kombination dieser Faktoren schätzt das Modell, wo sich der Ball zu einem beliebigen Zeitpunkt befindet, wie schnell er sich bewegt und in welche Richtung.

Bei Sportarten wie Baseball oder Golf hilft das Verfahren beispielsweise vorherzusagen, wie weit und in welche Richtung der Ball fliegt – abhängig von der Schwunggeschwindigkeit und dem Abschusswinkel. In kontrollierten Umgebungen ist es sehr präzise, kann aber bei unvorhersehbaren Bedingungen in der realen Welt wie Wind, Aufprall oder Interaktionen mit Spielern Schwierigkeiten haben und fehlerhafte Vorhersagen liefern.

In Kombination mit Computer Vision ermöglichen physikbasierte Modellierungsmethoden praktische Anwendungen in der Sportanalyse und im Schiedsrichterwesen. Hawk-Eye ist beispielsweise ein Mehrkamerasystem zur Bildverarbeitung, das die 3D-Flugbahn eines Balls in Echtzeit rekonstruiert.

Das System verwendet mehrere synchronisierte Hochgeschwindigkeitskameras, um die Position des Balls aus verschiedenen Winkeln aufzunehmen. Anschließend schätzt es mithilfe von Triangulation, kinematischen Gleichungen und Interpolationsverfahren seine Flugbahn. Diese Kombination ermöglicht präzise Verfolgung und Entscheidungsfindung in Sportarten wie Tennis, Cricket und Fußball, in denen eine genaue Flugbahn für Linienentscheidungen und Leistungsanalysen wichtig ist.

Regressionsmodelle des maschinellen Lernens#

Regressionsmodelle des maschinellen Lernens können die zukünftige Position oder Flugbahn eines Balls vorhersagen, ohne sich auf explizite physikalische Gleichungen zu stützen. Stattdessen lernen sie Muster aus Daten wie Position, Geschwindigkeit, Drall und Winkel, die von videobasierten Verfolgungssystemen oder Sensoren erfasst werden.

In Kombination mit Computer-Vision-Verfolgungsalgorithmen erfasst das Bildverarbeitungssystem die Position des Balls in den einzelnen Videobildern. Diese Positionsdaten dienen als Eingabe für das Regressionsmodell, das lernt, wie sich die Bewegung des Balls im Zeitverlauf verändert. Nach dem Training kann das Modell anhand der bisherigen Beobachtungen die nächste Position des Balls oder seine gesamte Flugbahn vorhersagen.

Bei Tischtennisrobotern und Pingpong-Robotersystemen haben beispielsweise Regressionsmodelle, die mit Tausenden verfolgter Flugbahnen trainiert wurden, die Flug- und Aufprallmuster des Balls in Echtzeit vorhergesagt. Dadurch kann sich der Roboter entsprechend positionieren oder schnell reagieren, um den Pingpong- beziehungsweise Tischtennisball zu fangen oder zurückzuspielen. Da diese Modelle direkt aus Beispielen aus der realen Welt lernen, können sie unvorhersehbare Einflüsse wie Drall, Luftwiderstand oder Oberflächenkontakt oft besser bewältigen als rein physikbasierte Methoden.

Abb. 3: So sagt ein Pingpongroboter die Flugbahn eines Balls voraus. (Quelle)

Rekurrente neuronale Netze (RNNs) und Langzeit-Kurzzeitgedächtnis-Netze (LSTMs)#

Rekurrente neuronale Netze (RNNs) und Netze mit Langzeit-Kurzzeitgedächtnis (LSTMs) sind KI-Modelle, die Daten verarbeiten, die sich im Zeitverlauf ändern, etwa Bewegungen oder andere Zeitreiheninformationen. Sie können sich an frühere Ereignisse erinnern, was ihnen hilft, Bewegungsmuster zu erkennen und vorherzusagen, was als Nächstes passieren könnte.

Bei der Vorhersage von Ballflugbahnen lernen diese Modelle, wie sich frühere Positionen, Geschwindigkeiten und Drall des Balls auf seine nächste Bewegung auswirken. In Kombination mit Computer Vision und Objektverfolgung kann ein Bildverarbeitungssystem die Position des Balls über mehrere Bilder hinweg erfassen. Ein RNN kann diese Folge von Positionen anschließend verwenden, um die nächste Bewegung des Balls oder seine gesamte Flugbahn vorherzusagen.

LSTMs sind außerdem besonders leistungsfähig, weil sie Informationen über längere Zeiträume hinweg speichern können. Dadurch können sie die gesamte Bewegung eines Balls verfolgen, selbst wenn er sich schnell bewegt oder die Richtung ändert.

Neuere Forschung geht noch einen Schritt weiter. Forschende haben hierarchische bidirektionale LSTM-Modelle entwickelt, die in Mannschaftssportarten Ballflugbahnen vorhersagen, indem sie analysieren, wie sich Spieler bewegen und miteinander interagieren. Diese Modelle können sogar die Position des Balls schätzen, wenn er vorübergehend verdeckt oder außer Sicht ist. Dazu nutzen sie Muster im Verhalten der Spieler, um abzuleiten, wo sich der Ball wahrscheinlich befindet.

Anwendungen der Ballflugbahnvorhersage in der Praxis#

Nachdem wir uns mit Computer Vision und der Vorhersage von Ballflugbahnen vertraut gemacht haben, sehen wir uns nun praktische Anwendungen in Bereichen wie Sport, Rehabilitation und Robotik an.

Vorhersage von Ballflugbahnen im Sport#

In vielen Sportarten ist es entscheidend zu verstehen, wie sich ein Ball bewegt und wo er landen wird. Mithilfe von Informationen aus Kameras und Sensoren können KI-Modelle die Flugbahn und Anfangsgeschwindigkeit des Balls vorhersagen. So können Sportteams Spielzüge besser antizipieren, Techniken verbessern und fundiertere Entscheidungen treffen.

Es unterstützt auch das Training von Spielerinnen und Spielern, indem Faktoren wie Drall oder Abwurfwinkel analysiert werden. So können Sportlerinnen und Sportler ihre Leistung verbessern und Verletzungen vermeiden. Viele moderne Sporttrainingssysteme nutzen inzwischen die Vorhersage von Flugbahnen, um die Entwicklung von Fähigkeiten und die Strategie zu verbessern.

So haben Forschende beispielsweise ein Computer-Vision-System für Tennisroboter entwickelt, das die Flugbahn eines Tennisballs erkennen und vorhersagen kann. Mithilfe von Stereokameras und Convolutional Neural Networks kann der Roboter den Ball in drei Dimensionen (x-, y- und z-Achse) erfassen und während des Spiels präziser reagieren. Das kann ein wertvolles Hilfsmittel sein, um Spielerinnen und Spieler auf Wettkämpfe vorzubereiten.

Abb. 4: Rot zeigt die simulierte Flugbahn, Blau die Vorhersage der Ballflugbahn durch den Roboter. (Quelle)

Vor- und Nachteile der computer-vision-basierten Vorhersage von Ballflugbahnen#

Hier sind einige wichtige Vorteile von Systemen zur computer-vision-basierten Vorhersage von Ballflugbahnen:

• Vorhersagen in Echtzeit: Diese Systeme können die zukünftige Flugbahn eines Balls sofort und präzise vorhersagen, selbst bei hohen Geschwindigkeiten.
• Nicht invasiv: Sie können ausschließlich mit Videoeingaben arbeiten, ohne physische Sensoren oder Markierungen zu benötigen.
• Skalierbar und anpassungsfähig: Systeme zur bildbasierten Vorhersage von Ballflugbahnen lassen sich mit herkömmlichen Kameras in verschiedenen Sportarten und Umgebungen einsetzen.

Die computer-vision-basierte Vorhersage von Ballflugbahnen bietet zwar viele Vorteile, doch es gibt auch einige Einschränkungen, die du beachten solltest. Hier sind einige wichtige Punkte:

• Herausforderungen durch Verdeckungen: Vorhersagen können oft ungenauer werden, wenn der Ball hinter Spielern oder anderen Objekten verborgen ist.
• Probleme mit Beleuchtung und Sichtbarkeit: Bei schlechten Lichtverhältnissen oder komplexen Hintergründen, etwa nachts, kann die Leistung dieser Systeme eingeschränkt sein.
• Hoher Rechenaufwand: Die Verarbeitung von Videos mit hoher Bildrate und Deep-Learning-Modellen erfordert leistungsstarke und mitunter teure Hardware.

Die wichtigsten Erkenntnisse#

Die Flugbahn eines Balls mit Vision AI vorherzusagen, verbindet Physik, Computer Vision und maschinelles Lernen, um Bewegungen präzise zu verstehen und vorherzusagen. Von der Analyse sportlicher Leistung über die Unterstützung der Rehabilitation von Patientinnen und Patienten bis hin zu industriellen Automatisierungssystemen: Die Vorhersage von Flugbahnen macht aus visuellen Daten umsetzbare Erkenntnisse. Mit dem technischen Fortschritt ebnet sie den Weg für intelligentere, schnellere und anpassungsfähigere Methoden, die Leistung, Sicherheit und Entscheidungsfindung verbessern.

Werde Teil unserer wachsenden Community und entdecke unser GitHub-Repository mit praktischen KI-Ressourcen. Wenn du heute mit visueller KI arbeiten möchtest, informiere dich über unsere Lizenzoptionen. Erfahre auf unseren Lösungsseiten, wie KI in der Landwirtschaft die Landwirtschaft verändert und wie visuelle KI in der Robotik die Zukunft prägt.