Medindo a precisão do chute na bola de futebol com aprendizado de máquina

Dec 16, 2023

As soluções de rastreamento de esportes comerciais e, portanto, caras normalmente dependem da visão computacional para medir onde uma bola está localizada em relação a um gol, como no futebol, golfe ou futebol. Embora bastante úteis, eles também são bastante meticulosos e propensos a interrupções causadas por mau tempo, baixos níveis de luz ambiente e objetos simplesmente bloqueando a visão das câmeras. Austin Allen queria fazer algo mais robusto que não dependesse de um sistema de visão caro, então ele criou um protótipo de rebote que contém vários acelerômetros para determinar onde as bolas de futebol são chutadas.

Um rebote pode ser pensado como uma rede elástica que funciona como um trampolim para a bola. Jogadores de beisebol e futebol os usam para praticar sua precisão, e sua natureza independente os torna um ótimo candidato. O plano de Allen era posicionar quatro acelerômetros - um em cada canto, e usar as diferenças de aceleração para calcular onde a bola iria parar, tudo sem a necessidade de uma câmera funcionando continuamente.

A estrutura de metal do ressalto foi construída a partir de seções dobradas de conduíte elétrico devido ao seu peso leve e resistência adequada. Depois de unir as várias peças com acoplamentos de parafuso de ajuste, um tubo central foi adicionado no meio para fazer parte do suporte traseiro e atuar como um suporte para a eletrônica. Finalmente, uma rede foi presa em cada um dos quatro lados com uma corda elástica para permitir a quantidade correta de ressalto.

Embora o MPU-6050 seja um sensor mais antigo hoje em dia, superado por designs mais modernos, sua confiabilidade e baixo custo ainda o tornaram uma boa escolha para uso no projeto. Allen começou imprimindo em 3D uma montagem personalizada para cada módulo e, em seguida, amarrou as IMUs aos quatro cantos antes de executar o barramento de força e as linhas de barramento I2C até o gabinete eletrônico. Depois que o circuito básico foi verificado com uma placa de desenvolvimento ESP32 e um multiplexador I2C TCA9548, ele projetou uma PCB personalizada que tinha conectores para os quatro MPU-6050s, um LED indicador e o ESP32 e TCA9548 mencionados anteriormente.

Antes que qualquer informação pudesse ser lida dos acelerômetros, eles primeiro precisavam ser configurados para usar a escala completa de +/- 16g e a taxa de polling mais rápida para obter novos valores o mais rápido possível. A captura dos dados de cada MPU-6050 foi realizada informando primeiro ao multiplexador I2C qual linha I2C deveria estar ativa. Em seguida, o ESP32 solicita os valores dos registradores X, Y e Z por I2C e os armazena, com a etapa final envolvendo uma conversão do valor ADC bruto em unidades compreensíveis de aceleração. Por fim, o resultado é impresso em Serial para um script de host armazenar e processar posteriormente.

O processo de treinar um modelo para determinar com precisão a posição de uma bola na rede começou com a coleta dos conjuntos de dados brutos de treinamento e teste. Uma webcam instalada abaixo da rede registra onde a bola caiu enquanto os acelerômetros são constantemente monitorados. Assim que um salto é detectado, os dados do MPU-6050 são rotulados com a localização da bola conforme determinado pela webcam, e tudo é passado para uma rede neural recorrente no TensorFlow para treinamento.

No geral, o modelo foi capaz de adivinhar a posição da bola dentro de 0,2 polegadas em média usando apenas os acelerômetros, e poderia ser melhorado coletando mais dados, tendo uma taxa de pesquisa mais rápida e aumentando a resolução/taxa de quadros da câmera. Esta prova de conceito mostra muita promessa no mundo do treinamento esportivo, e mais informações sobre isso podem ser encontradas aqui no artigo de Allen.