Исследователи из Университета Барселоны разработали модель, которая, объединяя оптические переменные с факторами окружающей среды, такими как гравитация, точно предсказывает, как человек будет двигаться, чтобы поймать движущийся объект.
Вычислительная модель предсказывает движения спортсменов при ловле мяча
Исследователи из Университета Барселоны разработали модель, которая, объединяя оптические переменные с факторами окружающей среды, такими как гравитация, точно предсказывает, как человек будет двигаться, чтобы поймать движущийся объект.
Как теннисисты успевают отбивать мяч, летящий со скоростью выше 200 километров в час? https://www.nytimes.com/athletic
Как Даниил Медведев понимает, почти не глядя на мяч, куда бежать, чтобы отразить удар Новака Джоковича? Такое поведение, столь распространенное среди элитных спортсменов, трудно объяснить с помощью современных вычислительных моделей, которые предполагают, что игроки должны непрерывно следить за мячом глазами.
Эти результаты, опубликованные в журнале Royal Society Open Science, могут иметь потенциальное применение в таких областях, как робототехника, спортивная подготовка или даже исследование космоса.
В статье рассматривается проблема бейсболиста, который ловит мяч после удара. Это классическая задача в физике и нейробиологии движения, используемая для изучения того, как люди и животные предсказывают движения в динамической среде и как разработать автоматизированные системы для их имитации.
Соавтор работы Хуан Лопес-Молинер, профессор факультета психологии Университета Барселоны говорит, что «современные модели основаны на управлении локомоцией при постоянном слежении за мячом, в то время как обычно элитный спортсмен бежит к мячу, не глядя на него».
«Более того, — добавляет он, — эти модели не позволяют предсказать, куда полетит мяч относительно наблюдателя».
Как узнать будущее
Основные переменные и траектории.
Модель объединяет информацию о гравитации мяча и его физическом размере с визуальной информацией, полученной в реальном времени. «Модель предоставляет сигналы, которые указывают на прогнозируемое положение мяча и время, оставшееся до того как он достигнет точки приема. Это позволяет точно предсказать, как игрок будет двигаться, чтобы поймать его, с самого начала полета мяча», — объясняет Лопес-Молинер.
Он отмечает, что существующие модели не включают информацию о гравитации,действующей на мяч и не могут объяснить, как спортсмен решает, находится ли мяч в пределах досягаемости и стоит ли за ним бежать.
Исследования с использованием искусственных нейронных сетей
Исследователи уже работают над следующим этапом: внедрением модели в искусственные нейронные сети, вычислительные системы, которые имитируют работу нейронов в человеческом мозге. Их цель — сравнить производительность людей и искусственных сетей.
«Это позволило бы нам получить более четкое представление о том, как вычисления реализуются на нейронном уровне, поскольку теперь у нас есть модель в вычислительном масштабе, но не нейронная реализация в искусственной нейронной сети. Эти знания могли бы иметь очевидное применение в области робототехники», — заключает Лопес-Молинер.
Виртуальная тренировка.
Исследование было подтверждено в среде виртуальной реальности с эффектом погружения. Она может найти потенциальное применение в тренировках астронавтов и спортсменов, но главное применение ученые видят в робототехнике: сегодня роботы еще очень далеки от мастерства, которое демонстрируют элитные спортсмена, когда они ловят или отражают мяч.