Håndbold: Om få år bruger Mikkel Hansen & Co. formentlig kunstig intelligens
Via små sensorer kan kunstig intelligens gøre os klogere på spillernes bevægelser og anstrengelser. Det kan reducere skader og optimere træningen.
mikkel_hansen_haandbold_kunstig_intelligens

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. (Foto: DarioZg / Shutterstock)

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. (Foto: DarioZg / Shutterstock)

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.

Fakta
Om Forskerzonen

Denne artikel er en del af Videnskab.dk’s Forskerzonen, hvor forskerne selv formidler deres forskning, viden og holdninger til et bredt publikum – med hjælp fra redaktionen.

Forskerzonen bliver udgivet takket være støtte fra vores partnere: Lundbeckfonden, Aalborg Universitet, Roskilde Universitet og Syddansk Universitet.

Forskerzonens redaktion prioriterer indholdet og styrer de redaktionelle processer, uafhængigt af partnerne. Læs mere om Forskerzonens mål, visioner og retningslinjer her.

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).

BegivenhederBeskrivelse
Lav intensitetStående eller gang lignende bevægelser
LøbLøb i samme hastighedløb og jogging-bevægelser
DynamiskÆndring af bevægelsesretning og diverse accelerationer
KastKast udført over hovedet

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.

Alle må bruge og viderebringe Forskerzonens artikler

På Forskerzonen skriver forskere selv om deres forskning. Vi mener, det er vigtigt, at alle får mulighed for at læse om forskning fra forskerens egen hånd.

Alle må derfor bruge, kopiere og viderebringe Forskerzonens artikler udfra følgende enkle krav:

  • Det skal krediteres: 'Artiklen er oprindelig bragt på Videnskab.dk’s Forskerzonen, hvor forskerne selv formidler'. Hvis artiklen bringes på web, skal der linkes til artiklen på Forskerzonen.
  • Artiklen må ikke redigeres og skal bringes i fuld længde (medmindre andet aftales med forskeren).
  • Du skal give forskeren besked om, at du genpublicerer.
  • Artikler, som er oversat fra The Conversation, skal have indsat en HTML-kode til indsamling af statistik i bunden. HTML-koden finder du i den originale artikel på The Conversations hjemmeside ved at klikke på knappen "Republish this article" ude til højre, derefter klikke på 'Advanced' og kopiere koden. Du finder linket til artiklen på The Conversation i bunden af Forskerzonens oversatte artikel. 

Det er ikke et krav, men vi sætter pris på, at du giver os besked, hvis du publicerer vores indhold (undtaget indhold fra The Conversation). Skriv til redaktør Anders Høeg Lammers på ahl@videnskab.dk.

Læs mere om Forskerzonen i Forskerzonens redaktionelle retningslinjer.

Videnskab.dk Podcast

Lyt til vores seneste podcast herunder eller via en podcast-app på din smartphone.

Ny video fra Tjek

Tjek er en YouTube-kanal om videnskab henvendt til unge.

Indholdet på kanalen bliver produceret af Videnskab.dk's videojournalister med samme journalistiske arbejdsgange, som bliver anvendt på Videnskab.dk.

Ugens videnskabsbillede

Se flere forskningsfotos på Instagram, og læs om det bizarre havdyr her.

Hej! Vi vil gerne fortælle dig lidt om os selv

Nu hvor du er nået helt herned på vores hjemmeside, er det vist på tide, at vi introducerer os.

Vi hedder Videnskab.dk, kom til verden i 2008 og er siden vokset til at blive Danmarks største videnskabsmedie med over en halv million brugere om måneden.

Vores uafhængige redaktion leverer dagligt gratis forskningsnyheder og andet prisvindende indhold, der med solidt afsæt i videnskabens verden forsøger at give dig aha-oplevelser og væbne dig mod misinformation.

Vores journalister fortæller historier om både kultur, astronomi, sundhed, klima, filosofi og al anden god videnskab indimellem - i form af artikler, podcasts, YouTube-videoer og indhold på sociale medier.

Vi stiller meget høje krav til, hvordan vi finder og laver vores historier. Vi har lavet et manifest med gode råd til at finde troværdig information, og vi modtog i 2021 en fornem pris for vores guide til god, kritisk videnskabsjournalistik.

Vores redaktion gør en dyd ud af at få uafhængige forskere til at bedømme betydningen af nye studier, og alle interviewede forskere citat- og faktatjekker vores artikler før publicering.

Hvis du går rundt og undrer dig over stort eller småt, vil vi elske at høre fra dig og forsøge at give dig svar med forskernes hjælp. Send bare dit spørgsmål til vores brevkasse Spørg Videnskaben.

Vi håber, at du vil følge med i forskningens forunderlige opdagelser her på Videnskab.dk.

Få et af vores gratis nyhedsbreve sendt til din indbakke. Du kan også følge os på sociale medier: Facebook, Twitter, Instagram, YouTube eller LinkedIn.

Med venlig hilsen

Videnskab.dk