12 de novembro de 2025
Saiba como a IA de visão melhora a previsão da trajetória da bola e permite informações em tempo real para desporto, robótica e outras aplicações inteligentes.
Quando o seu jogador de basquetebol preferido faz um lançamento, é frequente saber se vai entrar no cesto ou falhar. Como ser humano, é capaz de prever isto porque provavelmente já viu vários jogos de basquetebol e sabe o que esperar. Agora imagine uma máquina a ver um jogo de basquetebol através de uma câmara, tentando perceber se o lançamento vai entrar no cesto.
É muito mais complicado. Replicar a inteligência visual que desenvolvemos através da experiência não é tão simples como parece. De facto, a previsão da trajetória da bola é uma área de investigação fascinante que explora a forma como as máquinas podem analisar o movimento, a rotação e o ângulo para prever onde a bola vai cair.
Já em 1537, o matemático italiano Niccolò Tartaglia descobriu que uma bala de canhão viaja mais longe quando disparada num ângulo de 45 graus. As suas descobertas construíram a base para a forma como hoje compreendemos o movimento e a previsão.
Agora, com os avanços da informática e da inteligência artificial (IA), as máquinas podem prever a trajetória de uma bola com precisão e em tempo real. Ao analisar pormenores como a posição, a velocidade, a rotação e o ângulo da bola, os sistemas de IA podem prever o local onde esta irá cair. Isto ajuda em aplicações que vão desde o treino de jogadores e a análise de desempenho até aos cuidados de saúde e à robótica.
Em particular, a visão computacional é um domínio da IA que ajuda as máquinas a interpretar e a compreender a informação visual do mundo que as rodeia. É o que permite aos sistemas reconhecer objectos, seguir o seu movimento e dar sentido ao que vêem através de câmaras ou vídeos.
Quando aplicados à previsão da trajetória da bola, os modelos de visão por computador, como o Ultralytics YOLO11 e o Ultralytics YOLO26, podem ajudar um sistema a detetar e seguir a bola fotograma a fotograma. Estes dados visuais fornecem informações precisas sobre a posição da bola em cada fotograma, que podem depois ser utilizadas para estimar a sua velocidade e direção ao longo do tempo. Os modelos de IA e vários algoritmos podem então utilizar estes dados para prever para onde a bola irá a seguir.
Neste artigo, vamos explorar a previsão da trajetória da bola, as várias abordagens envolvidas e o papel da visão computacional. Vamos começar!
Para além de ser uma área de investigação interessante, a previsão de trajectórias de esferas está a impulsionar o desenvolvimento de tecnologia prática e com impacto em muitos domínios. Por exemplo, nos veículos autónomos, a previsão de trajectórias permite aos automóveis antecipar as trajectórias futuras de outros veículos, ciclistas e peões. Ao prever onde é provável que estes objectos em movimento se encontrem nos próximos segundos, os sistemas de condução autónoma podem tomar decisões mais seguras e eficientes, ajustando a velocidade, mudando de faixa ou evitando antecipadamente potenciais colisões.
Do mesmo modo, na robótica, a previsão da trajetória das esferas permite às máquinas detetar, seguir e reagir a objectos em movimento com elevada precisão. Isto é especialmente útil em sistemas automatizados que precisam de lidar com objectos em movimento rápido em tempo real, como robôs industriais ou drones de entrega.
Então, como é que a previsão da trajetória de uma bola funciona realmente? Depende do método que está a ser utilizado. Em geral, todas as abordagens têm o mesmo objetivo: compreender como a bola se move agora e prever para onde irá a seguir.
Eis uma amostra de algumas das diferentes abordagens utilizadas:
Em seguida, veremos mais detalhadamente como funciona a previsão da trajetória da bola baseada na visão por computador e os algoritmos que a tornam possível.
Antes de analisarmos a forma como a visão por computador desempenha um papel na previsão da trajetória da bola e como estes sistemas funcionam, vamos analisar os conceitos básicos.
A previsão da trajetória da bola geralmente envolve duas partes principais: rastreamento e modelagem de movimento. Os algoritmos de rastreamento são usados para seguir a bola quadro a quadro em um vídeo, estimando onde ela aparecerá em seguida. Esses métodos são úteis para previsões de curto prazo e em tempo real.
Por outro lado, os métodos de modelação do movimento (normalmente envolvendo física ou aprendizagem automática) vão um pouco mais longe. O seu objetivo é prever o percurso completo da bola, incluindo o local onde irá aterrar.
Em termos simples, o rastreio determina a posição e o movimento actuais da bola, enquanto a modelação utiliza essa informação para estimar a sua trajetória futura e o ponto de aterragem. Juntos, eles permitem a previsão precisa e em tempo real da trajetória da bola.
Poderá estar a perguntar-se porque é que a distinção entre rastreio e previsão é importante. Ao explorarmos este tópico mais a fundo, irá reparar que muitos algoritmos de seguimento não se limitam a seguir a bola. Também fazem previsões a curto prazo sobre onde a bola irá aparecer a seguir.
Por exemplo, os modelos de visão por computador como o YOLO11, que suportam o seguimento de objectos através de algoritmos de seguimento como o ByteTrack ou o SORT, utilizam dados de deteção de cada fotograma de vídeo para estimar a posição seguinte da bola em tempo real. Isto ajuda o sistema a manter um seguimento preciso mesmo quando a bola se move rapidamente ou fica parcialmente escondida.
No entanto, embora estes modelos sejam óptimos a seguir o movimento, normalmente prevêem apenas a posição seguinte da bola e não todo o seu percurso de voo ou ponto de aterragem. É aqui que os métodos de modelação do movimento se tornam essenciais.
Por outras palavras, um modelo de visão por computador, por si só, não consegue prever totalmente a trajetória de uma bola. Pode detetar e seguir a posição da bola quadro a quadro, mas não tem em conta as forças físicas que influenciam o seu movimento, como a gravidade, a rotação, o arrastamento ou a resistência do ar.
Para fazer previsões exactas a longo prazo, os dados visuais da visão por computador são frequentemente combinados com métodos de modelação do movimento. Estes métodos utilizam equações baseadas na física ou algoritmos de aprendizagem automática para analisar o movimento da bola ao longo do tempo e prever o seu percurso completo, incluindo o local onde irá aterrar.
Os algoritmos de seguimento são uma parte crucial dos sistemas de previsão da trajetória da bola. Estimam a posição e o movimento da bola ao longo do tempo, ao mesmo tempo que lidam com desafios como uma breve oclusão (quando a bola é temporariamente escondida da vista por outro objeto).
De seguida, vamos analisar alguns algoritmos de seguimento comuns.
O Filtro de Kalman é um algoritmo matemático utilizado para estimar a posição e a velocidade de um objeto ao longo do tempo, mesmo quando as medições são ruidosas ou incompletas. A NASA, por exemplo, tem utilizado Filtros de Kalman para seguir e reconstruir as trajectórias de veículos em voo.
Combinando dados de sensores com modelos de movimento do veículo, o sistema pode limpar dados ruidosos, reconstruir com precisão a trajetória de voo real e fazer previsões a curto prazo sobre o rumo que o veículo irá tomar a seguir. Isto torna os filtros muito úteis para o seguimento e controlo em tempo real em muitos domínios.
Embora o Filtro de Kalman em si não seja um algoritmo de visão computacional, é normalmente utilizado em sistemas baseados na visão para localizar objectos em movimento, como uma bola, através de fotogramas de vídeo. Funciona através da previsão do local onde o objeto irá aparecer a seguir, comparando essa previsão com os dados de deteção reais e, em seguida, actualizando a sua estimativa para se manter exacta. Este ciclo contínuo de previsão e correção torna-o eficaz para o seguimento em tempo real, mesmo quando o objeto desaparece brevemente da vista ou muda subitamente de velocidade.
O ByteTrack é um algoritmo de seguimento de objectos em tempo real utilizado para seguir objectos em movimento, como bolas, através de fotogramas de vídeo. Funciona detectando objectos em cada fotograma e ligando as detecções do mesmo objeto ao longo do tempo, criando uma sequência contínua designada por tracklet.
Um tracklet é uma pequena série de fotogramas que mostra onde o objeto esteve e como se move. Este processo de ligação ajuda o sistema a manter uma identidade consistente para cada objeto ao longo do vídeo.
Ao contrário dos métodos de rastreamento mais antigos que descartam as detecções de baixa confiança, o ByteTrack as mantém e as verifica novamente. Isso significa que ele pode manter um rastreamento suave e estável, mesmo quando os objetos se movem rapidamente, ficam desfocados ou são brevemente ocultados. Embora o ByteTrack não seja um detetor de objectos por si só, é frequentemente utilizado em conjunto com modelos de visão por computador, como o Ultralytics YOLOv8 ou o YOLO11, para rastrear objectos de forma precisa e fiável em tempo real.
O BoT-SORT é um algoritmo avançado de seguimento de vários objectos que melhora a forma como os sistemas seguem os objectos em movimento através de fotogramas de vídeo. Baseia-se no ByteTrack e acrescenta caraterísticas-chave como a compensação do movimento da câmara e a reidentificação de objectos.
A compensação do movimento da câmara ajuda a corrigir o movimento da câmara, como o movimento panorâmico ou a vibração, enquanto a reidentificação permite que o sistema reconheça e continue a seguir o mesmo objeto, mesmo depois de este sair e voltar a aparecer na vista. Tal como o ByteTrack, também é utilizado em combinação com modelos como o YOLOv8 ou o YOLO11.
Agora que já vimos como funciona o seguimento e como se relaciona com a previsão da trajetória de uma bola, vamos analisar mais detalhadamente os principais tipos de algoritmos e métodos de previsão de trajectórias utilizados para estimar o movimento de uma bola.
A modelação cinemática baseada na física prevê a trajetória de uma bola utilizando as leis básicas do movimento. Considera factores como a velocidade inicial da bola, o ângulo de lançamento, a gravidade, a resistência do ar e a rotação para calcular a sua trajetória de voo. Ao combinar estes factores, o modelo estima onde a bola estará, a que velocidade se moverá e em que direção em qualquer momento.
Por exemplo, em desportos como o basebol ou o golfe, ajuda a prever a distância e a direção que a bola irá percorrer com base na velocidade do swing e no ângulo de lançamento. Embora seja altamente preciso em ambientes controlados, pode ter dificuldades com as condições imprevisíveis do mundo real, como o vento, os ressaltos ou as interações dos jogadores, causando erros de previsão.
Quando combinados com a visão por computador, os métodos baseados em modelos físicos permitem aplicações práticas na análise e arbitragem desportivas. O Hawk-Eye, por exemplo, é um sistema de visão com várias câmaras que reconstrói a trajetória 3D de uma bola em tempo real.
Utiliza várias câmaras sincronizadas de alta velocidade para captar a posição da bola a partir de vários ângulos e aplica triangulação, equações cinemáticas e métodos de interpolação para estimar a sua trajetória. Esta integração suporta o seguimento preciso e a tomada de decisões em desportos, incluindo ténis, críquete e futebol, em que a precisão da trajetória é essencial para a marcação de linhas e a análise do desempenho.
Os modelos de regressão de aprendizagem automática podem prever a posição ou a trajetória futura de uma bola sem se basearem em equações físicas explícitas. Em vez disso, aprendem padrões a partir de dados como a posição, a velocidade, a rotação e o ângulo recolhidos através de sistemas de seguimento ou sensores baseados em vídeo.
Quando combinado com algoritmos de seguimento de visão por computador, o sistema de visão capta a posição da bola ao longo dos fotogramas de vídeo. Estes dados posicionais tornam-se a entrada para o modelo de regressão, que aprende como o movimento da bola muda ao longo do tempo. Uma vez treinado, o modelo pode prever a posição seguinte da bola ou a trajetória global com base no que já foi observado.
Por exemplo, no que diz respeito aos robôs de ténis de mesa ou aos sistemas de robôs de pingue-pongue, os modelos de regressão treinados com base em milhares de trajectórias seguidas demonstraram ser capazes de prever os padrões de voo e de ressalto da bola em tempo real. Isto permite que o robô se posicione ou reaja rapidamente para apanhar ou devolver a bola de pingue-pongue ou de ténis de mesa. Uma vez que estes modelos aprendem diretamente a partir de exemplos do mundo real, lidam frequentemente com efeitos imprevisíveis, como a rotação, a resistência do ar ou o contacto com a superfície, melhor do que os métodos puramente baseados na física.
As Redes Neuronais Recorrentes (RNN) e as Redes de Memória de Curto Prazo Longo (LSTM) são modelos de IA concebidos para processar dados que se alteram ao longo do tempo, como movimentos ou outras informações de séries temporais. Podem lembrar-se do que aconteceu anteriormente, o que os ajuda a reconhecer padrões de movimento e a prever o que pode acontecer a seguir.
Na previsão da trajetória da bola, estes modelos aprendem a forma como as posições, velocidades e rotações passadas de uma bola influenciam o local para onde irá a seguir. Quando combinado com a visão por computador e o seguimento de objectos, um sistema de visão pode captar as posições da bola ao longo dos fotogramas. Uma RNN pode então utilizar esta sequência de posições para prever o próximo movimento ou trajetória completa da bola.
Além disso, os LSTMs têm um impacto especial porque conseguem memorizar informações durante períodos mais longos. Isto permite-lhes seguir o movimento completo de uma bola, mesmo quando esta se move rapidamente ou muda de direção.
Uma investigação recente levou esta ideia um pouco mais longe. Os cientistas desenvolveram modelos Bi-LSTM hierárquicos que podem prever as trajectórias da bola em desportos de equipa, analisando a forma como os jogadores se movem e interagem uns com os outros. Estes modelos podem até estimar a posição da bola quando esta está temporariamente escondida ou fora de vista, utilizando padrões no comportamento dos jogadores para inferir onde é mais provável que a bola esteja.
Com uma melhor compreensão da visão por computador e da previsão da trajetória da bola, vamos explorar as suas aplicações práticas em áreas como o desporto, a reabilitação e a robótica.
Compreender como uma bola se move e onde vai parar é crucial em muitos desportos. Utilizando informações de câmaras e sensores, os modelos de IA podem prever o percurso e a velocidade inicial da bola, ajudando as equipas desportivas a antecipar jogadas, melhorar técnicas e tomar decisões mais inteligentes.
Também apoia o treino dos jogadores, analisando factores como a rotação ou o ângulo de lançamento, ajudando os atletas a melhorar o desempenho e a evitar lesões. Muitos sistemas de treino desportivo de ponta utilizam agora a previsão da trajetória da bola para melhorar o desenvolvimento de competências e a estratégia.
Por exemplo, os investigadores desenvolveram um sistema de visão por computador para robôs de ténis que pode detetar e prever a trajetória de uma bola de ténis. Utilizando câmaras estéreo e redes neurais convolucionais, o sistema ajuda o robô a ver a bola em três dimensões (eixo x, eixo y e eixo z) e a responder com maior precisão durante o jogo. Esta pode ser uma ferramenta revolucionária para treinar jogadores para competições.
Eis algumas das principais vantagens da utilização de sistemas de previsão da trajetória da bola baseados na visão por computador:
Embora a previsão da trajetória da bola baseada na visão por computador tenha muitas vantagens, há também algumas limitações a considerar. Aqui estão alguns factores a ter em conta:
A previsão da trajetória de uma bola com o Vision AI reúne a física, a visão por computador e a aprendizagem automática para compreender e prever o movimento com uma precisão notável. Desde a análise do desempenho desportivo até à ajuda na recuperação de pacientes e sistemas de automação industrial, a previsão de trajectórias transforma dados visuais em informações acionáveis. À medida que a tecnologia continua a avançar, está a abrir caminho para métodos mais inteligentes, mais rápidos e mais adaptáveis que melhoram o desempenho, a segurança e a tomada de decisões.
Faça parte da nossa crescente comunidade e explore o nosso repositório GitHub para obter recursos práticos de IA. Para construir com o Vision AI hoje, explore as nossas opções de licenciamento. Saiba como a IA na agricultura está a transformar a agricultura e como a IA da Vision AI na robótica está a moldar o futuro visitando as nossas páginas de soluções.
