ボクシング・パンチを機械学習 AIによるトレーニングコーチの仕事【AI×スポーツ】(論文解説)

   
↓はてなブックマークで応援お願いします!
このエントリーをはてなブックマークに追加

ボクサーのトレーニングはいつも評価が難しい

パンチの速さは、ボクサーの最も重要な特性の一つです。ほとんどの場合で試合の流れを決定し、勝利をもたらすのは「素早く、不意にパンチを繰り出す能力」です。そのため、コーチは選手のスピード資質の開発に精力的に取り組んでいます。それに伴い、この分野の研究も活発です。

ボクサーのパンチのスピードを向上させるためには、適切なトレーニングを行うだけでなく、効果測定をする必要があります。そうしなければ、トレーニング戦略や戦術の選択が正しいかどうかを理解することができないからです。しかしこれは、何十人もの選手をトレーニングするコーチにとって大きな負担となります。

ボクシングのパンチの評価において、どのような研究が行われているのでしょうか。ロシアにあるFinancial University under the Government of the Russian FederationのIlshat Khasanshin研究者の発表を紹介します。

研究者は、選手のパンチを機械学習モデルで学習させることで、パンチの評価を行うことを試みました。

▼論文情報

著者:Ilshat Khasanshin
タイトル:”Application of an Artificial Neural Network to Automate the Measurement of Kinematic Characteristics of Punches in Boxing”
Appl. Sci.2021, 11(3), 1223
URL:DOI

人工ニューラルネットワークでパンチを識別

まずはIlshat Khasanshinの研究におけるミッション・手法・結果をまとめました。

✔️ミッション
シャドーボクシングにおけるボクサーのパンチの速度を自動計測する。

✔️解決手法
人工ニューラルネットワーク(ANN)を用いた慣性計測ユニット(IMU)を利用する。

✔️結果
ほぼ100%の精度でパンチを識別することに成功した。

ミッションから説明していきます。

関連記事:

機械学習でサッカー賭博。試合結果を高精度予測!(AI×スポーツ)【論文】

選手の「動き」ディープラーニングで自動追跡(AI×スポーツ)【論文】

卓球ボール「リアルタイムで追跡」システムを開発(AI×スポーツ)【論文】

識別手法の構築に向けて

人体の動きは筋肉、腱、骨の複雑な相互作用の結果です。動きの動的構造は、パワー、エネルギー、慣性パラメータで表されます。運動の解剖学的構造は、人間の筋骨格系によって決定されます。制御構造は、感覚的および心理的な特性によって制御されます。
人によって大きく異なるこれらすべての構造の相互作用を考慮に入れて、人間の動きを記述する数学的モデルを構築することは非常に困難です。現在、生体力学モデルの構築には、テンスメトリー、加速度計・ジャイロスコープ、筋電図など、体節の速度・加速度・回転角、筋肉の電気的活動、支持反力、動作軌跡などのデータを提供する多くのツールや手法がよく開発され、利用されています。しかし、このような大量のデータを一つの運動画像に統合することは、いまだに多くの困難に直面しています。
人間の動きを分析するための別の方法として、機械学習の手法を用いることがあります。人工ニューラルネットワーク(ANN)は、スポーツにおけるデータ解析や、アスリートの動きの効率化に多くの機会を提供します。
Ilshat Khasanshinは、ジャイロスコープと加速度計を含む慣性計測ユニット(IMU)を用いてANNの入力データを取得しました。IMUはボクサーの両手首に装着しました。

選手には、ボクシングの試合のように、できるだけ速く、強く打つように指示しました。また、頭へのパンチ、体へのパンチ、後方へのパンチ、前方へのパンチなど、さまざまな方法でパンチを行うことが指示されました。
ボクシングの動きの運動学と力学の個々の側面については、多くの科学的研究がなされていますが、格闘技の打撃技術の力学の研究へのニューラルネットワークの適用は、まだ十分には行われていません。2019年までの15年間に、格闘技におけるIMUの使用に専念した36の出版物のうち、機械学習を使用しているのは4つの作品だけであることが示されています。

学習させるプロセス

Ilshat Khasanshinらは、機械学習モデルにボクサーのパンチを学習させました。

実験の設計
実験の全体像を図1に示します。

図1 実験の概要

ボクサーの両手首にはジャイロスコープと加速度計を含むIMUが固定されており、両手の回転運動と並進運動を追跡します。IMUとともに手首に設置された無線送信機は、Bluetoothチャネルを介してデータをコンピュータに送信し、ANNを用いて解析を行いました。計測モジュールのデータは、加速度の絶対値が閾値2.5m/sに達した後、1ミリ秒の頻度でコンピュータに送信され始め、これによりパンチが行われた瞬間を決定します。
この方法にはいくつかの欠点があります。最大の欠点は、ボクサーが素早く手を動かしても、システムがそれをパンチと勘違いしてしまうことです。しかし、ANNの分類には「パンチを伴わない動き」というカテゴリーが含まれているため、誤ったケースを排除してこの欠点を補うことができました。

計測モジュール
IMUは、加速度センサのY軸がパンチの方向に沿って、X軸が親指の線に沿って位置するように手首に固定しました(図2参照)。

図2 IMUを装着した手
加速度計の軸の正の方向と角速度の正の方向が示されている。

計測モジュールはデジタル式で、デジタルプロトコルを用いて制御しデータを送信しました。
計測モジュールはマイコンデバイスに接続されていました。加速度計とジャイロスコープはデータのノイズが多いという特徴があるため、マイコンはカルマンフィルターを用いて加速度計とジャイロスコープのデータを処理しました。また、マイクロコントローラーは、Bluetoothモジュールを使用してIMUからコンピューターへのデータの転送を制御しました。
コンピューターには300ミリ秒の間、1ミリ秒ごとに絶対加速度(aabs)と角速度(gabs)を送信しました。

ニューラル・ネットワーク・アーキテクチャ
パンチの運動データを分析するために、多層パーセプトロンMLP)形式のANNモデルを使用しました。
MLPは、フィードフォワード型の人工ニューラルネットワークモデルです。
MLPを使用するのは、このモデルが分類問題を非常によく解決すると知られているからです。先行研究では、様々な機械学習手法を用いてボクサーのパンチを認識しましたが、MLPが最も効果的なアルゴリズムであることが分かりました。
MLPのデメリットは、学習率が低いことと、特定のタスクに合わせてニューラルネットワークの構造を選択する必要があることです。
ニューラルネットワークが与えられたデータサンプルに基づいて正しく学習し、最も高い精度を得るためには、最適な数のニューロンを選択する必要があります。ニューロンの数が多すぎるとネットワークが過剰に学習してしまう可能性がありますが、シナプスの重みの空間で関数をうまく近似するためには十分な数が必要です。

本作品におけるANNのトポロジーを図4に示します。

図3 ANNのトポロジー

分類には4つのカテゴリーがあります。
・ストレートのパンチ(ジャブ、クロス) 
・フック
・アッパーカット
・パンチのない動き
「パンチのない動き」というカテゴリーは、ボクサーが動きの中でかなり鋭い手の動きをすることが多く、実際のパンチと区別する必要があったために導入されました。

実験手順
実験には、タタールスタン共和国(ロシア、カザン)のボクシング連盟のスポーツクラブに所属する3つのカテゴリーのボクサーが参加しました。
グループ1:トレーニング1年目のボクサー合計35人(トレーニングデータ25人、評価データ10人)
グループ2:トレーニング2〜3年目のボクサー35人(トレーニングデータ25人、評価データ10人)
グループ3:5年目以上のボクサー15人(トレーニングデータ10人、評価データ5人)
です。ボクサーは全員男性で、すべてのグループにおいて、年齢は18歳から27歳です。
ANNを学習させるためのデータを収集するために、各ボクサーはストレート、フック、アッパーの各カテゴリーでパンチを繰り出し、シャドーボクシングのような動作を行いました。各グループのボクサーは、それぞれの腕で100回のパンチを行います。
この一連の動作は休憩を挟んで7日間行われ、各ボクサーは両手で6000回のパンチを行いました。これらのデータはモデルのトレーニングに使用されました。さらに、合計 1000 回のパンチを用いてテストデータセットを作成しモデルの検証を行いました。
これらのデータを使って、パンチのカテゴリーごと、ボクサーのグループごとにANNを学習させました。
学習させたモデルはマイクロコントローラーに保存され、2回目の実験ではマイクロコントローラー内でパンチの認識が行われるようになりました。マイコンのプログラムでパンチを認識するプロセスは3ミリ秒以内に実行されました。

ほぼ100%パンチの識別を行うことに成功

結果、各ボクサーのグループにおいて、高精度でパンチの識別を行うモデルが完成しました。

完全なデータセットを作成した後、ボクサーのグループごとにモデルを学習しました。
モデルの有効性を評価するために、損失関数と精度関数を使用しました。図4、図5、図6、図7は、各アスリートグループの損失関数と精度関数のグラフです。

図4 トレーニング経験1年のボクサーの損失関数と精度のグラフ
図5 トレーニング経験2〜3年のボクサーの損失関数と精度のグラフ
図6 トレーニング経験5年以上のボクサーの損失関数と精度のグラフ
図7 普遍的なANNを学習させたときの損失関数と精度のグラフ

グラフを分析すると、60回目のエポックで精度が1に近づいていることがわかります。興味深いことに、トレーニング歴1年のボクサーが同じトレーニングパラメータを使用した場合、テストデータと基データの発散の外れ値がグラフ上にはっきりと現れて、経験豊富なボクサーに比べてグラフの振動ははるかに大きいです。
このグラフから、ネットワークの設定がこの種類と量のデータに適していることがわかります。

MLP形式のANNを使用することで、ボクサーのパンチの運動特性に関するデータの収集が大幅に容易になり、プロセスを自動化できることが実験で示されました。試合中のパンチと、試合以外のパンチでは、パンチの特性が異なることが知られています。試合中のパンチのパラメータを測定することは、技術の発達した現代では難しいことではありませんが、パンチを識別するためには、特別に動きをビデオ撮影する必要があり、非常に時間とコストがかかるため、数十人のボクサーを対象に実施することは現実的には非常に困難です。しかし、将来的には技術の発展に伴い、格闘技の動きを認識するためにビデオ撮影が主役になるかもしれません。

研究紹介は以上です。

これまで技術が入り込んでいない分野も、最新技術により高度な解析が可能になっています。機械学習がどこまで世界を変えるのか、今後も楽しみですね。

業界/カテゴリー

PAGE TOP