การเลี้ยงลูกบาสเกตบอลนั้นอาจจะดูเหมือนเป็นเรื่องที่ง่าย ในความจริงแล้ว มันจะต้องใช้เวลาหลายปีในการฝึกฝนอย่างหนักเพื่อที่จะทำให้สามารถเคลื่อนไหวได้อย่างไม่ต้องใช้ความพยายามไปได้ทั่วทั้งสนาม และตามที่เริ่มมีออกมาเรื่อยๆ ที่นักพัฒนาได้ทำออกมานั้นจะมีโมเดลให้เห็นถึงทักษะต่างๆ ผ่านการจำลอง simulation หากแต่วิธีการใหม่นี้สามารถนำเอาระบบปัญญาประดิษฐ์ (Artificial Intelligence) ที่ซึ่งมีประสิทธิภาพในการเร่งสิ่งต่างๆ เหล่านี้ให้เร็วยิ่งขึ้นนั้นมาใช้งาน โดยนักวิจัยจากมหาวิทยาลัยคาร์เนกีเมลลอน (Carnegie Mellon University) และบริษัทสตาร์ทอัพ DeepMotion ที่ทำเรื่องเกี่ยวกับ “motion intelligence” นั้นได้ร่วมกันสร้างระบบที่อิงกับเรื่องฟิสิกส์ที่สามารถเรียนรู้ทักษะการเลี้ยงลูกบาสเกตบอลจากการเคลื่อนไหวจริงของนักกีฬาบาสเกตบอลได้
“งานวิจัยนี้ได้เปิดทางในเรื่องของการทำจำลองกีฬาโดยมีทักษะของตัวแทนนักกีฬาได้” คุณ Libin Liu ผู้เขียนรายงานหลักกล่าว “เทคโนโลยีนั้นสามารถนำมาประยุกต์ใช้ได้เหนือกว่าการทำจำลองกีฬาในการสร้างตัวละครที่สามารถปฏิสัมพันธ์ได้มากกว่าทั้งในเรื่องของเกม อนิเมชัน การวิเคราะห์การเคลื่อนไหว และในอนาคตก็คือเรื่องของหุ่นยนต์”
โดย 2 ทีมได้นำโมเดล deep reinforcement learning มาใช้งาน ซึ่งเป็นระบบ AI ที่เลียนแบบวิธีการที่มนุษย์นั้นตอบสนองกับสภาพแวดล้อม เพื่อใช้ในการเทรนตัวแทนที่จะเลี้ยงลูกบาสเกตบอล โดยเซ็ตให้ลองเล่นบนสนามจำลองเพื่อลองผิดลองถูกเป็นจำนวนหลายล้านรอบ
โดยระบบจะเรียนรู้ 2 สถานะ (stage) หนึ่งคือการเชี่ยวชาญการเคลื่อนที่ภายในสนามโดยที่ไม่มีการหกล้มหรือวิ่งเจอกับอุปสรรค จากนั้นมันจึงจะเรียนวิธีการควบคุมแขนและมือเพื่อที่จะขยายความสามารถทั้งเรื่องของความเร็วและทิศทางในการควบคุมลูกบาสในโลกดิจิทัล
นักวิจัยกล่าวว่าการเลี้ยงลูกบาสจริงๆ นั้นอาจจะเป็นเรื่องที่ค่อนข้างยากในการทำให้เกิดขึ้นในโลกดิจิทัล เพราะนักกีฬาบาสเกตบอลที่เป็นคนนั้นสามารถที่จะจัดการกับลูกบอลได้เพียงแค่คุยสั้นๆ เท่านั้น ตัวอย่างเช่น วิธีการที่จะหมุนลูกบาสบนมือ ซึ่งก็จะเป็นเรื่องที่ยากในโลกดิจิทัลที่จะเก็บเกี่ยวข้อมูลออกมา อีกทั้งในขณะที่นักกีฬาสามารถคาดการณ์ถึงเวลาและตำแหน่งของลูกบอลได้ ส่วนของโมเดลคอมพิวเตอร์นั้นจะไม่มีการเรียนรู้ถึงตำแหน่งของแขนและตาได้
จากเหตุผลทั้งหมดที่กล่าวมา แทนที่จะเป็นการจับตำแหน่งการเคลื่อนที่ของลูกบอล ทีมจึงเลือกที่จะใช้การ optimize ทิศทางการเคลื่อนที่ในการคำนวณทิศทางที่ลูกบอลจะเคลื่อนไปเมื่อให้ข้อมูลท่าทางของมือ ซึ่งพวกเขาได้ให้ข้อมูลการเคลื่อนที่ตามที่ได้บอกไว้ก่อนหน้านี้ไป รวมไปถึงข้อมูลการควงลูกรอบเอว เลี้ยงสลับมือไปมา และวิธ๊การอื่นๆ ในการเลี้ยงลูก เพื่อทำการเทรนโมเดล deep learning
ผลลัพธ์ที่ได้ออกมานั้นคือการเคลื่อนที่ของแขนและขาที่ดูเกือบจะเหมือนกับการเคลื่อนไหวในโลกจริง ซึ่งเป็นความสำเร็จที่เกิดขึ้นในทุกๆ แบบ เช่น โมเดลสามารถเรียนรู้ที่จะเลี้ยงลูกไปมา ลอดขา เลี้ยงข้างหลัง และการเคลื่อนที่ต่างๆ ซึ่งมีความไหลลื่นโดยที่ไม่เสียบอลแต่อย่างใด
ทีมงานจึงเชื่อว่าวิธีการนี้สามารถที่จะนำประยุกต์ใช้กับกีฬาอื่นๆ ได้
“ถึงแม้ว่าเฟรมเวิร์กของพวกเราจะออกแบบมาเพื่อทักษะของกีฬาบาสเกตบอล แต่พวกเราก็เชื่อว่ามันจะสามารถขยายไปยังการเคลื่อนไหวอื่นๆ ได้ เช่น จั๊กกลิ้ง (juggling) ซึ่งเป็นการปฏิสัมพันธ์ระหว่างตัวละครที่จำลองขึ้นมากับการควบคุมวัตถุที่ไม่ได้มีผลกระทบุกับสมดุลของตัวละครนั้น” พวกเขาเขียน “ในงานอนาคต พวกเราจะยังสนใจในการทดลองกับกีฬาอื่นๆ เช่น ฟุตบอล ซึ่งการควบคุมความสมดุลนั้นจะเกี่ยวข้องกับกลยุทธ์ของกีฬาด้วย”
Source : https://venturebeat.com/2018/08/07/ai-learns-how-to-dribble-a-basketball/
