Verbesserung der Vorhersage von Ballflugbahnen mit Vision-KI

Wenn dein Lieblingsbasketballspieler einen Wurf nimmt, kannst du oft erkennen, 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 dich erwartet. Stell dir nun eine Maschine vor, die ein Basketballspiel durch eine Kamera beobachtet und herauszufinden versucht, ob der Wurf im Korb landet.

Das ist deutlich komplizierter. Die visuelle Intelligenz, die wir durch Erfahrung entwickeln, nachzubilden, ist nicht so einfach, wie es klingt. Tatsächlich ist die Vorhersage von Ballflugbahnen 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 bei einem Abschusswinkel von 45 Grad am weitesten fliegt. 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 AI-Systeme prognostizieren, wo er landen wird. Das unterstützt Anwendungen in Bereichen wie Spielerschulung und Leistungsanalyse, aber auch im Gesundheitswesen und in der Robotik.

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

Bei der Vorhersage von Ballflugbahnen können Computer-Vision-Modelle wie Ultralytics YOLO11 und Ultralytics YOLO26 einem System dabei helfen, den Ball Bild für Bild zu erkennen und zu verfolgen. Diese visuellen Daten liefern präzise Informationen über die Position des Balls in jedem Einzelbild. Daraus lassen sich seine Geschwindigkeit und Bewegungsrichtung im Zeitverlauf schätzen. AI-Modelle und verschiedene Algorithmen können diese Daten anschließend nutzen, um vorherzusagen, wohin sich der Ball als Nächstes bewegt.

In diesem Artikel sehen wir uns die Vorhersage von Ballflugbahnen, die verschiedenen beteiligten Ansätze und die Rolle von Computer Vision an. Legen wir los!

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 beispielsweise, dass Autos die zukünftigen Wege anderer Fahrzeuge, Radfahrer und Fußgänger einschätzen. Indem sie prognostizieren, wo sich diese beweglichen Objekte in den nächsten Sekunden wahrscheinlich befinden werden, können Systeme für autonomes Fahren sicherere und effizientere Entscheidungen treffen, etwa durch das Anpassen der Geschwindigkeit, einen Spurwechsel oder das frühzeitige Vermeiden möglicher Kollisionen.

Auch in der Robotik ermöglicht die Vorhersage von Ballflugbahnen, dass Maschinen bewegliche Objekte mit hoher Präzision erkennen, verfolgen und darauf reagieren. Das ist besonders nützlich für automatisierte Systeme, die in Echtzeit mit sich schnell bewegenden Objekten umgehen müssen, etwa Industrierobotern oder Lieferdrohnen.

Ein Überblick über die Funktionsweise der Vorhersage von Ballflugbahnen#

Wie funktioniert die Vorhersage einer Ballflugbahn eigentlich? Das hängt von der verwendeten Methode ab. Im Allgemeinen verfolgt jeder Ansatz dasselbe Ziel: zu verstehen, wie sich der Ball gerade bewegt, und vorherzusagen, wohin er sich als Nächstes bewegen wird.

Hier ist ein Überblick über einige der verschiedenen verwendeten Ansätze:

• Physikbasierte Modellierung: Dieser Ansatz nutzt die Gesetze der Bewegung und Aerodynamik, um zu berechnen, wie Faktoren wie Geschwindigkeit, Abschusswinkel, Schwerkraft und Luftwiderstand die Flugbahn des Balls beeinflussen.
• Machine-Learning-Modelle: Diese Modelle analysieren große Mengen an Bewegungsdaten, um Muster in der Bewegung eines Balls zu erlernen. Dadurch können sie präzise Vorhersagen treffen, ohne auf explizite physikalische Gleichungen angewiesen zu sein.
• Vorhersage auf Basis von Computer Vision: Diese Methode nutzt Videoaufnahmen, um den Ball Bild für Bild zu erkennen und zu verfolgen. Dabei entstehen visuelle Daten, anhand derer Algorithmen seine Geschwindigkeit, Richtung und zukünftige Position schätzen können.
• Sensorsysteme: 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 Techniken, beispielsweise Computer Vision mit physikbasierter Modellierung, um präzisere und zuverlässigere Vorhersagen von Ballflugbahnen zu ermöglichen.

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

Die Grundlagen der Vorhersage von Ballflugbahnen#

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

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

Bewegungsmodellierungsmethoden (in der Regel auf Basis von Physik oder Machine Learning) gehen dagegen einen Schritt weiter. Sie zielen darauf ab, den vollständigen Weg des Balls vorherzusagen, einschließlich seines Landepunkts.

Kurz gesagt bestimmt die Verfolgung die aktuelle Position und Bewegung des Balls, während die Modellierung diese Informationen nutzt, um seinen zukünftigen Weg und Landepunkt zu schätzen. Zusammen ermöglichen sie eine präzise Vorhersage von Ballflugbahnen in Echtzeit.

Verfolgung und Bewegungsmodellierung im Detail#

Vielleicht fragst du dich, warum die Unterscheidung zwischen Verfolgung und Vorhersage wichtig ist. Wenn wir dieses Thema näher betrachten, wirst du feststellen, dass viele Verfolgungsalgorithmen nicht nur verfolgen. Sie treffen auch kurzfristige Vorhersagen darüber, wo der Ball als Nächstes erscheinen wird.

Computer-Vision-Modelle wie YOLO11, die Objektverfolgung mit Verfolgungsalgorithmen wie ByteTrack oder SORT unterstützen, nutzen beispielsweise Erkennungsdaten aus jedem Videobild, um die nächste Position des Balls in Echtzeit zu schätzen. Das hilft dem System, den Ball auch dann präzise zu verfolgen, wenn er sich schnell bewegt oder teilweise verdeckt ist.

Obwohl diese Modelle Bewegungen sehr gut verfolgen, sagen sie in der Regel nur die nächste Position des Balls voraus, nicht seine gesamte Flugbahn oder seinen Landepunkt. Hier werden Methoden zur Bewegungsmodellierung unverzichtbar.

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

Abb. 2. Beispiel für die Erkennung und Segmentierung eines Balls mit Ultralytics YOLO11. (Quelle)

Für präzise langfristige Vorhersagen werden die visuellen Daten aus Computer Vision häufig mit Methoden zur Bewegungsmodellierung kombiniert. Diese Methoden nutzen entweder physikbasierte Gleichungen oder Machine-Learning-Algorithmen, um die Bewegung des Balls im Zeitverlauf zu analysieren und seinen vollständigen Weg einschließlich des Landepunkts zu prognostizieren.

Gängige Algorithmen zur Ballverfolgung in Computer Vision#

Verfolgungsalgorithmen sind ein entscheidender Bestandteil von Systemen zur Vorhersage von Ballflugbahnen. Sie schätzen Position und Bewegung des Balls im Zeitverlauf und bewältigen dabei Herausforderungen wie kurzzeitige Verdeckungen (wenn der Ball vorübergehend von einem anderen Objekt verdeckt wird).

Als Nächstes stellen wir einige gängige Verfolgungsalgorithmen vor.

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 Messungen verrauscht oder unvollständig sind. Die NASA hat Kalman-Filter beispielsweise eingesetzt, um die Flugbahnen von Fluggeräten zu verfolgen und zu rekonstruieren.

Durch die Kombination von Sensordaten mit Modellen der Fahrzeugbewegung kann das System verrauschte Daten bereinigen, die tatsächliche Flugbahn präzise rekonstruieren und kurzfristige Vorhersagen darüber treffen, wohin sich das Fahrzeug als Nächstes bewegen wird. Dadurch sind die Filter in vielen Bereichen für die Echtzeitverfolgung und -steuerung sehr nützlich.

Der Kalman-Filter selbst ist zwar kein Computer-Vision-Algorithmus, wird aber häufig in bildbasierten Systemen eingesetzt, um bewegliche Objekte wie einen Ball über Videobilder hinweg zu verfolgen. Er sagt voraus, wo das Objekt als Nächstes erscheinen wird, vergleicht diese Vorhersage mit den tatsächlichen Erkennungsdaten und aktualisiert anschließend seine Schätzung, um präzise zu bleiben. Dieser kontinuierliche Zyklus aus Vorhersage und Korrektur eignet sich gut für die Echtzeitverfolgung, auch wenn das Objekt kurzzeitig aus dem Sichtfeld verschwindet oder plötzlich seine Geschwindigkeit ändert.

ByteTrack#

ByteTrack ist ein Echtzeitalgorithmus zur Objektverfolgung, mit dem sich bewegliche Objekte wie Bälle über Videobilder hinweg verfolgen lassen. Er erkennt Objekte in jedem Bild und verknüpft die Erkennungen desselben Objekts im Zeitverlauf zu einer durchgängigen Sequenz, einem sogenannten Tracklet.

Ein Tracklet ist eine kurze Reihe von Einzelbildern, die zeigt, wo sich das Objekt befunden hat und wie es sich bewegt. Dieser Verknüpfungsprozess hilft dem System, jedem Objekt während des gesamten Videos eine konsistente Identität zuzuordnen.

Im Gegensatz zu älteren Verfolgungsmethoden, die Erkennungen mit geringer Konfidenz verwerfen, behält ByteTrack sie bei und überprüft sie erneut. Dadurch kann der Algorithmus eine gleichmäßige und stabile Verfolgung aufrechterhalten, auch wenn sich Objekte schnell bewegen, unscharf werden oder kurzzeitig verdeckt sind. ByteTrack ist zwar selbst kein Objekterkennungsmodell, wird aber häufig zusammen mit Computer-Vision-Modellen wie Ultralytics YOLOv8 oder YOLO11 eingesetzt, um Objekte in Echtzeit präzise und zuverlässig zu verfolgen.

BoT-SORT#

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

Die Kompensation von Kamerabewegungen korrigiert Bewegungen der Kamera wie Schwenks oder Verwacklungen. Die Wiedererkennung ermöglicht es dem System, dasselbe Objekt zu erkennen und weiterzuverfolgen, auch nachdem es das Sichtfeld verlassen hat und wieder darin auftaucht. Wie ByteTrack wird auch BoT-SORT zusammen mit Modellen wie YOLOv8 oder YOLO11 eingesetzt.

Gängige Methoden zur Vorhersage von Flugbahnen#

Nachdem wir gesehen haben, wie die Verfolgung funktioniert und mit der Vorhersage der Flugbahn eines Balls zusammenhängt, betrachten wir nun die wichtigsten Arten von Algorithmen und Methoden zur Vorhersage von Flugbahnen, die zur Schätzung der Bewegung eines Balls eingesetzt werden.

Physikbasierte kinematische Modellierung#

Die physikbasierte kinematische Modellierung sagt die Flugbahn eines Balls mithilfe 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 bestimmten Zeitpunkt befindet, wie schnell er sich bewegt und in welche Richtung.

Beim Baseball oder Golf hilft sie beispielsweise vorherzusagen, wie weit und in welche Richtung der Ball abhängig von Schwunggeschwindigkeit und Abschusswinkel fliegen wird. Obwohl sie in kontrollierten Umgebungen sehr präzise ist, kann sie mit unvorhersehbaren Bedingungen in der realen Welt wie Wind, Abprallern oder Wechselwirkungen mit Spielern Schwierigkeiten haben und dadurch Vorhersagefehler verursachen.

In Kombination mit Computer Vision ermöglichen physikbasierte Methoden praktische Anwendungen in der Sportanalyse und bei Schiedsrichterentscheidungen. Hawk-Eye ist beispielsweise ein System mit mehreren Kameras, das die 3D-Flugbahn eines Balls in Echtzeit rekonstruiert.

Es verwendet mehrere synchronisierte Hochgeschwindigkeitskameras, um die Position des Balls aus verschiedenen Winkeln zu erfassen, und wendet Triangulation, kinematische Gleichungen und Interpolationsmethoden an, um seinen Weg zu schätzen. Diese Integration unterstützt präzise Verfolgung und Entscheidungsfindung im Sport, unter anderem beim Tennis, Cricket und Fußball, wo die Genauigkeit der Flugbahn für Linienentscheidungen und Leistungsanalysen entscheidend ist.

Regressionsmodelle des Machine Learning#

Regressionsmodelle des Machine Learning können die zukünftige Position oder Flugbahn eines Balls vorhersagen, ohne auf explizite physikalische Gleichungen angewiesen zu sein. Stattdessen erlernen sie Muster aus Daten wie Position, Geschwindigkeit, Drall und Winkel, die über videobasierte Verfolgungssysteme oder Sensoren erfasst wurden.

In Kombination mit Algorithmen zur Objektverfolgung in Computer Vision erfasst das bildgebende System die Position des Balls über mehrere Videobilder hinweg. 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 oder den gesamten Weg des Balls vorhersagen.

Bei Tischtennisrobotern oder Tischtennis-Robotersystemen haben Regressionsmodelle, die mit Tausenden verfolgten Flugbahnen trainiert wurden, beispielsweise gezeigt, dass sie Flug- und Abprallmuster des Balls in Echtzeit vorhersagen können. Dadurch kann sich der Roboter positionieren oder schnell reagieren, um den Tischtennisball zu fangen oder zurückzuspielen. Da diese Modelle direkt aus Beispielen aus der realen Welt lernen, kommen sie mit unvorhersehbaren Effekten wie Drall, Luftwiderstand oder Kontakt mit der Oberfläche oft besser zurecht als rein physikbasierte Methoden.

Abb. 3. Wie ein Tischtennisroboter die Flugbahn eines Balls vorhersagt. (Quelle)

Rekurrente neuronale Netze (RNNs) und Netze mit langem Kurzzeitgedächtnis (LSTMs)#

Rekurrente neuronale Netze (RNNs) und Netze mit langem Kurzzeitgedächtnis (LSTMs) sind AI-Modelle, die dafür entwickelt wurden, sich im Zeitverlauf verändernde Daten zu verarbeiten, etwa Bewegungsdaten oder andere Zeitreiheninformationen. Sie können sich an frühere Ereignisse erinnern. Das hilft ihnen, Bewegungsmuster zu erkennen und vorherzusagen, was als Nächstes geschehen könnte.

Bei der Vorhersage von Ballflugbahnen lernen diese Modelle, wie die früheren Positionen, Geschwindigkeiten und Dralls eines Balls beeinflussen, wohin er sich als Nächstes bewegt. In Kombination mit Computer Vision und Objektverfolgung kann ein bildgebendes System die Positionen des Balls über mehrere Einzelbilder hinweg erfassen. Ein RNN kann diese Abfolge von Positionen anschließend nutzen, um die nächste Bewegung oder den vollständigen Weg des Balls vorherzusagen.

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

Aktuelle Forschung geht noch einen Schritt weiter. Wissenschaftler haben hierarchische Bi-LSTM-Modelle entwickelt, die in Mannschaftssportarten Ballflugbahnen vorhersagen können, indem sie analysieren, wie sich Spieler bewegen und miteinander interagieren. Diese Modelle können die Position des Balls sogar dann schätzen, wenn er vorübergehend verdeckt ist oder sich außerhalb des Sichtfelds befindet, indem sie anhand von Mustern im Verhalten der Spieler ableiten, wo sich der Ball wahrscheinlich befindet.

Anwendungen der Vorhersage von Ballflugbahnen in der realen Welt#

Nachdem wir Computer Vision und die Vorhersage von Ballflugbahnen besser verstanden haben, sehen wir uns nun praktische Anwendungen in Bereichen wie Sport, Rehabilitation und Robotik an.

Vorhersage von Ballflugbahnen im Sport#

Zu verstehen, wie sich ein Ball bewegt und wo er landen wird, ist in vielen Sportarten entscheidend. Mithilfe von Informationen aus Kameras und Sensoren können AI-Modelle den Weg und die Anfangsgeschwindigkeit des Balls vorhersagen. Das hilft Sportteams, Spielzüge vorauszuahnen, Techniken zu verbessern und fundiertere Entscheidungen zu treffen.

Die Technologie unterstützt außerdem das Training von Spielern, indem sie Faktoren wie Drall oder Abwurfwinkel analysiert und Athleten dabei hilft, ihre Leistung zu verbessern und Verletzungen zu vermeiden. Viele moderne Trainingssysteme im Sport nutzen inzwischen die Vorhersage von Ballflugbahnen, um die Entwicklung von Fähigkeiten und Strategien zu verbessern.

Forscher haben beispielsweise ein Computer-Vision-System für Tennisroboter entwickelt, das die Flugbahn eines Tennisballs erkennen und vorhersagen kann. Mithilfe von Stereokameras und konvolutionalen neuronalen Netzen kann der Roboter den Ball dreidimensional (x-Achse, y-Achse und z-Achse) wahrnehmen und während des Spiels präziser reagieren. Das kann ein entscheidendes Werkzeug sein, um Spieler auf Wettkämpfe vorzubereiten.

Abb. 4. Rot zeigt den simulierten Weg, Blau die Vorhersage der Ballflugbahn durch den Roboter. (Quelle)

Vor- und Nachteile der Vorhersage von Ballflugbahnen auf Basis von Computer Vision#

Hier sind einige wichtige Vorteile von Systemen zur Vorhersage von Ballflugbahnen auf Basis von Computer Vision:

• Echtzeitprognosen: Diese Systeme können den zukünftigen Weg eines Balls sofort 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 Vorhersage von Ballflugbahnen auf Basis von Computer Vision können mit herkömmlichen Kameraaufbauten in verschiedenen Sportarten und Umgebungen eingesetzt werden.

Die Vorhersage von Ballflugbahnen auf Basis von Computer Vision bietet zwar viele Vorteile, es gibt jedoch auch einige Einschränkungen. Folgende Faktoren solltest du berücksichtigen:

• Herausforderungen durch Verdeckungen: Vorhersagen können ungenauer werden, wenn ein Ball von Spielern oder anderen Objekten verdeckt wird.
• Probleme mit Beleuchtung und Sichtbarkeit: Unter schlechten Lichtverhältnissen oder vor komplexen Hintergründen, etwa nachts, kann die Leistung dieser Systeme gering sein.
• Hoher Rechenaufwand: Die Verarbeitung von Videos mit hoher Bildrate und Deep-Learning-Modellen erfordert leistungsfähige Hardware, die teuer sein kann.

Wichtige Erkenntnisse#

Die Vorhersage einer Ballflugbahn mit Vision AI verbindet Physik, Computer Vision und Machine Learning, um Bewegungen mit bemerkenswerter Genauigkeit zu verstehen und vorherzusagen. Von der Analyse sportlicher Leistungen über die Unterstützung der Genesung von Patienten bis hin zu industriellen Automatisierungssystemen verwandelt die Flugbahnvorhersage visuelle Daten in verwertbare Erkenntnisse. Mit dem weiteren technologischen Fortschritt ebnet sie den Weg für intelligentere, schnellere und anpassungsfähigere Methoden, die Leistung, Sicherheit und Entscheidungsfindung verbessern.

Werde Teil unserer wachsenden Community und besuche unser GitHub-Repository, um praktische AI-Ressourcen zu entdecken. Wenn du heute mit Vision AI entwickeln möchtest, informiere dich über unsere Lizenzoptionen. Erfahre auf unseren Lösungsseiten, wie AI in der Landwirtschaft die Landwirtschaft verändert und wie Vision AI in der Robotik die Zukunft gestaltet.