Robótica

Programa reconhece ataque e defesa no futebol para ajudar robôs e carros sem motorista

Programa reconhece ataque e defesa no futebol para ajudar robôs e carros sem motorista
Usando dados reais, o programa aprende rapidamente como múltiplos agentes se coordenam para alcançar um objetivo comum. [Imagem: Hoang M. Le et al. (2017)]

Aprendizagem por imitação

Embora os jogadores de futebol tenham posições definidas no campo, é normal que alguns deles troquem de função no decorrer de uma partida.

Os outros jogadores e a maioria dos torcedores reconhecem quando isso acontece e, agora, graças a um novo trabalho sobre aprendizagem por imitação de múltiplos agentes, um computador também consegue reconhecer esses rearranjos assim que eles acontecem.

Pesquisadores da Disney, do Instituto de Tecnologia da Califórnia e da STATS, um fornecedor de dados esportivos, usaram técnicas de aprendizagem profunda para desenvolver um algoritmo que reconhece automaticamente as formações das equipes usando dados de rastreamento dos jogadores.

"Pelo melhor do nosso conhecimento, esta é a primeira vez que uma abordagem de aprendizagem por imitação foi aplicada para aprender conjuntamente políticas cooperativas multi-agentes em larga escala," disse o pesquisador Peter Carr.

A aprendizagem por imitação é uma técnica de inteligência artificial considerada como uma das abordagens mais simples para que um programa aprenda sozinho a partir da análise de dados do mundo real. Isto porque o comportamento desejado já está demonstrado nos próprios dados, sendo uma questão de identificá-lo. Para comparação, outras técnicas exigem um sistema de recompensa, em que um agente simulado precisa acumular uma série de "prêmios" para aprender a desempenhar um determinado papel e atingir um determinado objetivo, o que é muito mais demorado e intensivo em computação.

Carros sem motorista e robôs

Do ponto de vista da análise esportiva, o programa vai permitir que uma máquina analise melhor o jogo de cada atleta no futebol, basquete ou outros esportes em equipe ao entender como os jogadores se coordenam para mudar seus papéis.

Talvez isto sirva para os próprios treinadores, que poderão simular novas táticas, mas a equipe que desenvolveu o programa acredita em outros usos mais imediatos e mais amplos.

"Esta nova capacidade, contudo, tem aplicações muito além dos esportes. Elas incluem o movimento de robôs, o planejamento de veículos autônomos e a modelagem do comportamento coletivo de animais," disse o pesquisador Markus Gross.

Por exemplo, um programa destinado a controlar um carro sem motorista pode aprender rapidamente a se mover em segurança por uma área definida analisando o movimento dos carros atuais, guiados por humanos, em vez de depender do processamento em tempo real de uma multiplicidade de sensores.

O aprendizado multiagente não é novo, mas os avanços nesta área têm sido modestos em comparação com o aprendizado supervisionado convencional e o aprendizado de reforço de agente único, dada a complexidade do problema e uma falta histórica de fontes de dados e ambientes onde os programas possam ser testados experimentalmente.

Os dados do futebol, as cidades-laboratório projetadas para testar carros sem motorista e os simuladores urbanos prometem ajudar a virar esse jogo.

Bibliografia:

Coordinated Multi-Agent Imitation Learning
Hoang M. Le, Yisong Yue, Peter Carr, Patrick Lucey
MIT Sports Analytics Conference Proceedings
https://s3-us-west-1.amazonaws.com/disneyresearch/wp-content/uploads/20170731105351/Coordinated-Multi-Agent-Imitation-Learning-Paper.pdf




Outras notícias sobre:

Mais Temas