Hvad i alverden har kunstig intelligens dog med håndbold at gøre, tænker du måske. I den aktuelle slutrunde: Ingenting. Men inden for få år kan det billede være radikalt forandret.

Når du sidder i sofaen og ser håndbold, har du garanteret jublet af en god finte eller et godt kast.

Forestil dig nu, at du skal vurdere, hvor belastende kastet eller finten var for spilleren at udføre. Det virker næsten umuligt, ikke?

Forestil dig nu, at du ikke kun skal gøre det for den ene gode finte, men for alle spilleres bevægelser i en 60 minutters kamp. Det vil kræve rigtig mange timers arbejde.

Det er her, kunstig intelligens bliver relevant.

Små sensorer kan måle spillernes bevægelser

Kunstig intelligens er en måde at få en computer til at lære af den data, man giver den. Dette gør, at man kan træne en maskine til at finde sammenhæng i data, som ellers ville have været næsten umuligt for et menneske.

Kunstig intelligens kan derfor hjælpe med at få en dybere forståelse af den indsamlede data og derved hjælpe med at målrette træningen, så spillerne bliver endnu stærkere og mere 'holdbare', end de er i dag.

Den data, man kan bruge til at træne kunstig intelligens, kan komme fra små sensorer kaldet 'Intertial Measurement Units' (interti-måleenhed), der kan sidde på ryggen af en spiller og faktisk sidder på mange fodboldsspillere i dag.

Under en kamp kan den måle accelerationer, altså hvor hurtigt bevæger en spiller sig op i hastighed, når han/hun løber. Sensoren kan også måle 'vinkelhastigheder', altså hvor hurtigt roterer man sig.

Uden rotation i kroppen bliver et håndboldkast 'ren arm' og knap så kraftfuldt.

Du har formentligt allerede arbejdet med den slags sensor før uden at vide det. De sidder eksempelvis i en Wii Remote.

Sensoren gør det muligt at opfange, hvis du roterer dit håndled, eller hvor hårdt du svinger armen, når du prøver at få en strike i bowling.

De sidder også i din smartphone, der gør det muligt for dig at dreje en bil i dit bilspil, når du roterer telefonen.

Sådan ser en afslutning ud som graf

I nedenstående gif er der både en graf og en video. På den lodrette akse af grafen vises hastigheden, når man roterer rundt om sin egen kropsstamme og på den vandrette akse vises tid.

I videoen modtager spilleren i nederste højre hjørne bolden og kaster mod målet. Her kan vi se, at de to store udslag på grafen kommer, når spilleren skal til at kaste.

Grafen viser én form for tendens, som man er interesseret i at give en maskine, så den kan finde tendensen og huske den til næste gang, der sker et kast.

Gif: Nicki Lentz-Nielsen

Kan reducere skader og forbedre træningen

Mange studier i flere forskellige sportsgrene (tennis, ski, fodbold, golf, svømning m.fl.) har benyttet sig af disse to teknologier, kunstig intelligens og sensorer, til at kunne fortælle noget om de bevægelser, der sker i sporten.

Denne information kan så bruges til at finde ud af belastningsgraden af en kamp eller en træning og forhåbentlig reducere skadesrisiko hen over tid ved at kende til de udførte bevægelser og antal udførte kast.

Derudover kan det også bruges til gøre den daglige træning endnu mere specifik til kampsituationer.

Nogle studier har kigget specifikt på kastebevægelsen i håndbold, hvor de har trænet en maskine til at genkende næsten alle kast.

Maskinen kan endda fortælle, hvor hurtigt bolden har fløjet takket være en sensor på armen.

Problemet med disse studier er, at dataene kommer fra kontrolleret laboratorie-forsøg, hvor der ikke er modspillere.

I en rigtig kamp vil der være risiko for spillere, der hiver og skubber, mens man prøver at kaste, og ofte vil man være i løb eller hop, når man udfører kast af høj intensitet (eksempelvis kastet i videoen overfor).

Derfor er det vigtigt at man bruger så få sensorer som muligt, helst én, samt placerer sensoren således, at den kan opfange de bevægelser, der er af interesse, imens man mindsker påvirkningen af stød fra andre spillere.

Eksempelvis kan den placeres på ryggen imellem skulderbladene.

Den store udfordring er altså at kunne træne en maskine til at finde kastebevægelser, samtidig med spilleren løber eller udfører andre bevægelser (hårde opbremsninger, starten af et sprint, hop).

En mulig løsning?

Det er netop den udfordring, som jeg (Nicki) har forsøgt at tage første skridt til at løse i mit sports-teknologiske kandidat-projekt på Aalborg Universitet. Den anden forfatter til denne artikel (Afshin) har været vejleder på projektet.

I projektet undersøgte jeg fire forskellige former for begivenheder (se tabel)

De tre første begivenheder i boksen herunder (lav intensitet, løb, dynamiske bevægelser) kan vi også kalde for 'lokomotions-begivenheder'. Det vil sige begivenheder, der har til formål at bevæge kroppen fra et sted til et andet.

Mange studier har allerede fundet metoder til at genkende forskellige lokomotions-begivenheder i sport (se f.eks. her og her).

Men umiddelbart er der ingen studier, der har kunnet genkende antallet af udførte kast samtidig med at tage højde for lokomotions-begivenhederne i håndbold.

Derfor var det vigtigt for projektet at kunne træne en maskine, som kan kende forskel på alle fire bevægelser (se tabel).

Tabel: Nicki Lentz-Nielsen

Ved kun at lede efter en begivenhed ad gangen, blev det muligt at simplificere problemet for maskinen nok til, at over 94 procent af alle kastene blev fundet i en kampsituation samtidig med, at langt de fleste lokomotions-bevægelser blev fundet.

Maskinen lavede dog nogle fejl. Det kan skyldes kompleksiteten af de bevægelser et menneske kan lave, men også at det kan være meget svært at skelne imellem nogle bevægelser.

Eksempelvis når en spiller sætter i løb. For hvor er overgangen helt præcis mellem den dynamiske acceleration og løb i samme hastighed? Hvornår stopper accelerationen, og hvornår starter løb? 

Hvad bringer fremtiden?

Projektet er et af de første skridt til at kunne benytte kunstig intelligens i håndboldverdenen.

Næste skridt er at kunne opdele de forskellige bevægelser i intensitetsgrader. Eksempelvis skal maskinen kunne fortælle, hvis der er forekommet en hård eller mild tackling, eller om der har været en aflevering eller et hårdt skud på mål.

Dette bliver formentlig muligt inden for en kort årrække og kan give vigtig information til trænere omkring belastninger, antal kast, og intensiteten af de bevægelser, håndboldspillerne udfører både til træning og i kampsituationer.