Melhorar a previsão da trajetória da bola com IA para visão

Quando o teu jogador de basquetebol favorito faz um lançamento, muitas vezes consegues perceber se a bola vai entrar no cesto ou falhar. Como ser humano, consegues fazer essa previsão porque provavelmente já viste vários jogos de basquetebol e sabes o que esperar. Agora imagina uma máquina a assistir a um jogo de basquetebol através de uma câmara, tentando perceber se o lançamento vai entrar no cesto.

É muito mais complicado. Reproduzir a inteligência visual que desenvolvemos através da experiência não é tão simples como parece. Na verdade, a previsão da trajetória da bola é uma área de investigação fascinante que explora como as máquinas podem analisar o movimento, a rotação e o ângulo para prever onde uma bola vai cair.

Fig. 1. Trajetória de um lançamento de basquetebol. (Fonte)

Já em 1537, o matemático italiano Niccolò Tartaglia descobriu que uma bala de canhão percorre a maior distância quando é disparada num ângulo de 45 graus. As suas descobertas lançaram as bases da forma como compreendemos hoje o movimento e a previsão.

Atualmente, com os avanços na informática e na inteligência artificial (IA), as máquinas conseguem prever a trajetória de uma bola com precisão e em tempo real. Ao analisar detalhes como a posição, a velocidade, a rotação e o ângulo da bola, os sistemas de IA conseguem prever onde ela vai cair. Isto ajuda em aplicações que vão desde o treino e a análise do desempenho dos jogadores até aos cuidados de saúde e à robótica.

Em particular, a visão computacional é uma área da IA que ajuda as máquinas a interpretar e compreender informações visuais do mundo à sua volta. É isso que permite aos sistemas reconhecer objetos, acompanhar o seu movimento e compreender o que veem através de câmaras ou vídeos.

Quando aplicados à previsão da trajetória da bola, modelos de visão computacional como o Ultralytics YOLO11 e o Ultralytics YOLO26 podem ajudar um sistema a detetar e acompanhar a bola frame a frame. Estes dados visuais fornecem informações precisas sobre a posição da bola em cada frame, que podem depois ser utilizados 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!

A importância da previsão da trajetória da bola#

Para além de ser uma área de investigação interessante, a previsão da trajetória da bola está a impulsionar o desenvolvimento de tecnologias práticas e impactantes em várias áreas. Por exemplo, nos veículos autónomos, a previsão de trajetórias permite aos automóveis antecipar os percursos futuros de outros veículos, ciclistas e peões. Ao prever onde é provável que estes objetos em movimento estejam nos segundos seguintes, os sistemas de condução autónoma podem tomar decisões mais seguras e eficientes, ajustando a velocidade, mudando de faixa ou evitando antecipadamente possíveis colisões.

Da mesma forma, na robótica, a previsão da trajetória da bola permite às máquinas detetar, acompanhar e reagir a objetos em movimento com elevada precisão. Isto é especialmente útil em sistemas automatizados que precisam de lidar com objetos que se movem rapidamente em tempo real, como robôs industriais ou drones de entrega.

Uma visão geral de como funciona a previsão da trajetória da bola#

Então, como funciona realmente a previsão da trajetória de uma bola? Depende do método utilizado. Em geral, todas as abordagens procuram fazer o mesmo: compreender como a bola se move agora e prever para onde irá a seguir.

Eis uma breve visão geral de algumas das diferentes abordagens utilizadas:

• Modelação baseada na física: Esta abordagem utiliza as leis do movimento e da aerodinâmica para calcular como fatores como a velocidade, o ângulo de lançamento, a gravidade e a resistência do ar afetam a trajetória de voo da bola.
• Modelos de aprendizagem automática: Estes modelos analisam grandes conjuntos de dados de movimento para aprender padrões sobre a forma como uma bola se move, permitindo-lhes fazer previsões precisas sem depender de equações físicas explícitas.
• Previsão baseada em visão computacional: Este método utiliza imagens de vídeo para detetar e acompanhar a bola frame a frame, produzindo dados visuais que ajudam os algoritmos a estimar a sua velocidade, direção e posição futura.
• Sistemas baseados em sensores: Estes sistemas utilizam dados de sensores de movimento, radar ou câmaras de infravermelhos para medir com precisão a posição, a velocidade e a rotação da bola em tempo real.
• Métodos híbridos: Combinam duas ou mais técnicas. Por exemplo, integram a visão computacional com a modelação baseada na física para obter previsões de trajetória mais precisas e fiáveis.

Em seguida, vamos analisar mais detalhadamente como funciona a previsão da trajetória da bola baseada em visão computacional e os algoritmos que a tornam possível.

Os fundamentos da previsão da trajetória da bola#

Antes de analisarmos o papel da visão computacional na previsão da trajetória da bola e o funcionamento destes sistemas, vamos decompor os conceitos básicos.

A previsão da trajetória da bola envolve geralmente duas partes principais: o acompanhamento e a modelação do movimento. Os algoritmos de acompanhamento são utilizados para seguir a bola frame a frame num vídeo, estimando onde irá aparecer a seguir. Estes métodos são úteis para previsões de curto prazo em tempo real.

Por outro lado, os métodos de modelação do movimento (normalmente baseados em física ou aprendizagem automática) vão um passo mais longe. O objetivo é prever o percurso completo da bola, incluindo o local onde irá cair.

Em termos simples, o acompanhamento determina a posição e o movimento atuais da bola, enquanto a modelação utiliza essas informações para estimar o seu percurso futuro e o ponto de queda. Juntos, permitem prever com precisão e em tempo real a trajetória da bola.

Uma análise mais detalhada do acompanhamento e da modelação do movimento#

Podes estar a perguntar-te por que razão é importante distinguir entre acompanhamento e previsão. À medida que exploramos este tema, vais notar que muitos algoritmos de acompanhamento não se limitam a acompanhar. Também fazem previsões de curto prazo sobre onde a bola irá aparecer a seguir.

Por exemplo, modelos de visão computacional como o YOLO11, que suportam o acompanhamento de objetos através de algoritmos como o ByteTrack ou o SORT, utilizam dados de deteção de cada frame do vídeo para estimar a posição seguinte da bola em tempo real. Isto ajuda o sistema a manter um acompanhamento preciso mesmo quando a bola se move rapidamente ou fica parcialmente oculta.

No entanto, embora estes modelos sejam excelentes a acompanhar o movimento, normalmente preveem apenas a posição seguinte da bola, e não todo o seu percurso de voo ou o ponto de queda. É aí que os métodos de modelação do movimento se tornam essenciais.

Por outras palavras, um modelo de visão computacional, por si só, não consegue prever completamente a trajetória de uma bola. Consegue detetar e acompanhar a posição da bola frame a frame, mas não considera as forças físicas que influenciam o seu movimento, como a gravidade, a rotação, o arrasto ou a resistência do ar.

Fig. 2. Um exemplo de deteção e segmentação de uma bola usando o Ultralytics YOLO11. (Fonte)

Para fazer previsões precisas a longo prazo, os dados visuais da visão computacional 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 cair.

Algoritmos comuns utilizados para o acompanhamento de bolas em visão computacional#

Os algoritmos de acompanhamento são uma parte essencial dos sistemas de previsão da trajetória da bola. Estimam a posição e o movimento da bola ao longo do tempo, lidando com desafios como a oclusão breve (quando a bola fica temporariamente escondida da vista por outro objeto).

Em seguida, vamos analisar alguns algoritmos de acompanhamento comuns.

Filtro de Kalman#

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 contêm ruído ou estão incompletas. A NASA, por exemplo, utilizou Filtros de Kalman para acompanhar e reconstruir as trajetórias de veículos de voo.

Ao combinar dados de sensores com modelos do movimento dos veículos, o sistema consegue limpar dados ruidosos, reconstruir com precisão a trajetória de voo real e fazer previsões de curto prazo sobre para onde o veículo irá a seguir. Isto torna os filtros muito úteis para o acompanhamento e o controlo em tempo real em várias áreas.

Embora o próprio Filtro de Kalman não seja um algoritmo de visão computacional, é frequentemente utilizado em sistemas baseados em visão para acompanhar objetos em movimento, como uma bola, ao longo dos frames de um vídeo. Funciona através da previsão do local onde o objeto irá aparecer a seguir, da comparação dessa previsão com os dados de deteção reais e da atualização da estimativa para manter a precisão. Este ciclo contínuo de previsão e correção torna-o eficaz para o acompanhamento em tempo real, mesmo quando o objeto desaparece brevemente da vista ou muda subitamente de velocidade.

ByteTrack#

ByteTrack é um algoritmo de acompanhamento de objetos em tempo real utilizado para seguir objetos em movimento, como bolas, ao longo dos frames de um vídeo. Funciona detetando objetos em cada frame e associando as deteções do mesmo objeto ao longo do tempo, criando uma sequência contínua chamada tracklet.

Um tracklet é uma série curta de frames que mostra onde o objeto esteve e como se move. Este processo de associação ajuda o sistema a manter uma identidade consistente para cada objeto ao longo do vídeo.

Ao contrário dos métodos de acompanhamento mais antigos, que descartam deteções com baixa confiança, o ByteTrack mantém-nas e volta a verificá-las. Isto significa que consegue manter um acompanhamento suave e estável mesmo quando os objetos se movem rapidamente, ficam desfocados ou permanecem brevemente ocultos. Embora o ByteTrack não seja, por si só, um detetor de objetos, é frequentemente utilizado em conjunto com modelos de visão computacional como o Ultralytics YOLOv8 ou o YOLO11 para acompanhar objetos com precisão e fiabilidade em tempo real.

BoT-SORT#

BoT-SORT é um algoritmo avançado de acompanhamento de vários objetos que melhora a forma como os sistemas seguem objetos em movimento ao longo dos frames de um vídeo. Baseia-se no ByteTrack e acrescenta funcionalidades importantes, como a compensação do movimento da câmara e a reidentificação de objetos.

A compensação do movimento da câmara ajuda a corrigir movimentos como panorâmicas ou trepidações, enquanto a reidentificação permite ao sistema reconhecer e continuar a acompanhar o mesmo objeto, mesmo depois de este sair e voltar a aparecer no campo de visão. Tal como o ByteTrack, também é utilizado em combinação com modelos como o YOLOv8 ou o YOLO11.

Métodos comuns de previsão de trajetórias#

Agora que vimos como funciona o acompanhamento e como este se relaciona com a previsão da trajetória de uma bola, vamos analisar mais detalhadamente os principais tipos de algoritmos e métodos de previsão de trajetórias utilizados para estimar o movimento de uma bola.

Modelação cinemática baseada na física#

A modelação cinemática baseada na física prevê a trajetória de uma bola utilizando as leis básicas do movimento. Tem em conta fatores como a velocidade inicial da bola, o ângulo de lançamento, a gravidade, a resistência do ar e a rotação para calcular o seu percurso de voo. Ao combinar estes fatores, o modelo estima onde a bola estará, a que velocidade se moverá e em que direção, a qualquer momento.

Por exemplo, em desportos como o basebol ou o golfe, ajuda a prever a distância e a direção que a bola percorrerá com base na velocidade do swing e no ângulo de lançamento. Embora seja altamente precisa em ambientes controlados, esta abordagem pode ter dificuldades com condições imprevisíveis do mundo real, como o vento, os ressaltos ou as interações com jogadores, provocando erros de previsão.

Quando combinados com a visão computacional, 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 o seu percurso. Esta integração permite um acompanhamento e uma tomada de decisões precisos em desportos como o ténis, o críquete e o futebol, onde a precisão da trajetória é essencial para determinar se a bola saiu e para analisar o desempenho.

Modelos de regressão de aprendizagem automática#

Os modelos de regressão de aprendizagem automática conseguem prever a posição ou a trajetória futura de uma bola sem depender de 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 acompanhamento baseados em vídeo ou de sensores.

Quando combinados com algoritmos de acompanhamento de visão computacional, o sistema de visão capta a posição da bola ao longo dos frames do vídeo. Estes dados posicionais tornam-se a entrada do modelo de regressão, que aprende como o movimento da bola muda ao longo do tempo. Depois de treinado, o modelo consegue prever a posição seguinte ou o percurso completo da bola com base no que já observou.

Por exemplo, no caso de robôs de ténis de mesa ou de sistemas robóticos de pingue-pongue, foi demonstrado que modelos de regressão treinados com milhares de trajetórias acompanhadas conseguem prever o voo e os padrões de ressalto da bola em tempo real. Isto permite ao robô posicionar-se ou reagir rapidamente para apanhar ou devolver a bola de pingue-pongue ou de ténis de mesa. Como estes modelos aprendem diretamente com exemplos do mundo real, lidam frequentemente melhor com efeitos imprevisíveis, como a rotação, o arrasto do ar ou o contacto com a superfície, do que os métodos puramente baseados na física.

Fig. 3. Como um robô de pingue-pongue prevê a trajetória de uma bola. (Fonte)

Redes neuronais recorrentes (RNNs) e redes de memória de longo e curto prazo (LSTMs)#

As redes neuronais recorrentes (RNNs) e as redes de memória de longo e curto prazo (LSTMs) são modelos de IA concebidos para processar dados que mudam ao longo do tempo, como movimentos ou outras informações de séries temporais. Conseguem lembrar-se do que aconteceu anteriormente, o que as ajuda a reconhecer padrões de movimento e a prever o que poderá acontecer a seguir.

Na previsão da trajetória da bola, estes modelos aprendem como as posições, velocidades e rotações anteriores de uma bola influenciam o local para onde ela irá a seguir. Quando combinados com a visão computacional e o acompanhamento de objetos, um sistema de visão consegue captar as posições da bola ao longo dos frames. Uma RNN pode então utilizar esta sequência de posições para prever o movimento seguinte ou o percurso completo da bola.

Além disso, as LSTMs são especialmente eficazes porque conseguem guardar informações durante períodos mais longos. Isto permite-lhes acompanhar todo o movimento de uma bola, mesmo quando esta se move rapidamente ou muda de direção.

Investigações recentes levaram esta ideia um passo mais longe. Os cientistas desenvolveram modelos Hierarchical Bi-LSTM que conseguem prever trajetórias de bolas em desportos coletivos, analisando a forma como os jogadores se movimentam e interagem uns com os outros. Estes modelos conseguem até estimar a posição da bola quando esta está temporariamente escondida ou fora do campo de visão, utilizando padrões do comportamento dos jogadores para inferir onde é mais provável que a bola esteja.

Aplicações reais da previsão da trajetória da bola#

Com uma melhor compreensão da visão computacional e da previsão da trajetória da bola, vamos explorar as suas aplicações práticas em áreas como o desporto, a reabilitação e a robótica.

Previsão da trajetória da bola no desporto#

Compreender como uma bola se move e onde irá cair é fundamental em muitos desportos. Utilizando informações de câmaras e sensores, os modelos de IA conseguem 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 ao analisar fatores como a rotação ou o ângulo de lançamento, ajudando os atletas a melhorar o desempenho e a evitar lesões. Muitos sistemas avançados de treino desportivo utilizam atualmente a previsão da trajetória da bola para melhorar o desenvolvimento de competências e a estratégia.

Por exemplo, os investigadores desenvolveram um sistema de visão computacional para robôs de ténis capaz de detetar e prever o percurso de uma bola de ténis. Utilizando câmaras estéreo e redes neuronais 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 ferramenta pode transformar o treino de jogadores para competições.

Fig. 4. A vermelho está o percurso simulado; a azul está a previsão da trajetória da bola pelo robô. (Fonte)

Vantagens e desvantagens da previsão da trajetória da bola baseada em visão computacional#

Eis algumas das principais vantagens da utilização de sistemas de previsão da trajetória da bola baseados em visão computacional:

• Previsão em tempo real: Estes sistemas conseguem prever instantaneamente e com precisão o percurso futuro de uma bola, mesmo a velocidades elevadas.
• Não invasiva: Podem funcionar apenas com entrada de vídeo, sem necessitar de sensores físicos ou marcadores.
• Escalável e adaptável: Os sistemas de previsão da trajetória da bola baseados em visão podem ser aplicados a diferentes desportos e ambientes utilizando configurações de câmaras padrão.

Embora a previsão da trajetória da bola baseada em visão computacional tenha muitas vantagens, também existem algumas limitações a considerar. Eis alguns fatores a ter em conta:

• Desafios de oclusão: As previsões podem tornar-se menos precisas quando uma bola fica escondida atrás de jogadores ou de outros objetos.
• Problemas de iluminação e visibilidade: O desempenho destes sistemas pode ser baixo em condições de pouca iluminação ou em cenários complexos, como durante a noite.
• Elevada exigência computacional: O processamento de vídeos com elevada taxa de frames e de modelos de aprendizagem profunda requer hardware potente, que pode ser dispendioso.

Principais conclusões#

Prever a trajetória de uma bola com IA de visão combina física, visão computacional e aprendizagem automática para compreender e prever o movimento com uma precisão notável. Desde a análise do desempenho desportivo até ao apoio à recuperação de pacientes e aos sistemas de automação industrial, a previsão de trajetórias transforma dados visuais em informações acionáveis. À medida que a tecnologia continua a avançar, abre caminho a métodos mais inteligentes, rápidos e adaptáveis que melhoram o desempenho, a segurança e a tomada de decisões.

Faz parte da nossa crescente comunidade e explora o nosso repositório do GitHub para encontrares recursos práticos de IA. Para desenvolveres hoje com IA de visão, explora as nossas opções de licenciamento. Descobre como a IA na agricultura está a transformar o setor agrícola e como a IA de visão na robótica está a moldar o futuro, visitando as nossas páginas de soluções.