QUT-forskare har utvecklat en algoritm som kan förutsäga var en tennisspelare kommer att slå nästa boll genom att analysera Australian Open-data från tusentals skott av de bästa manliga tennisspelarna.

Dr Simon Denman, en senior forskare med talet, Audio, Bild- och videotekniklaboratoriet, sa forskningen om Novak Djokovics matchspel, Rafael Nadal och Roger Federer kan leda till nya sätt för professionella tennisspelare att förutsäga sina motståndares rörelser eller virtuella verklighetsspel som ger chansen att gå head-to-head med världens bästa spelare i en exakt men artificiell grand slam.

Dr. Denman är en del av ett team av QUT-forskare, inklusive Ph.D. student Tharindu Fernando, Professor Sridha Sridharan och professor Clinton Fookes, allt från Vision and Signal Processing Discipline på QUT, som skapade algoritmen för att förutsäga nästa slag i tennis med hjälp av Hawk-Eye-data från Australian Tennis Open 2012, tillhandahålls av Tennis Australia.

Forskarna minskade sitt fokus för att bara studera skottvalet av Djokovic, Nadal och Federer eftersom de hade den fullständiga informationen att mata in i systemet om hur spelarnas skottval förändrades allt eftersom turneringen fortskred.

Forskarna analyserade mer än 3400 skott för Djokovic, nästan 3500 skott för Nadal och nästan 1900 skott av Federer, lägga till sammanhang för varje skott, till exempel om det var en retur, en vinnare eller ett misstag.

"Efter cirka 1000 skott, modellen har en ganska bra uppfattning om vad som händer, " sa Dr. Denman.

"Det krävs ungefär tre matcher för att ta reda på en spelares stil. När den väl har fått de tre matcherna är det ganska stabilt."

Dr. Denman sa att algoritmen efterliknade hjärnorna hos toppspelarna som redan försökte förutsäga motståndarens nästa skott. Även om det artificiella intelligenta systemet visade sig vara framgångsrikt, dess största utmaning var oförutsägbarheten hos spelaren genom tiderna störst.

"Vi hade en analys av hur exakt det är för de tre toppspelarna – Djokovic, Nadal och Federer, " sa Dr. Denman.

"Och det var minst korrekt för Federer, vem är kanske den mest mångsidiga. Det kämpade mest för att förutse honom. Han kan göra vad som helst, så modellen hade oftare fel om honom.

"Med tanke på hur svårt Federers spel är att förutse, det lägger bara till äran för någon som Stefanos Tsitsipas som lyckades vinna en seger mot Federer i Australian Open i helgen."

Maskininlärningssystemet, kallas en Semi Supervised Generative Adversarial Network-arkitektur, tar hänsyn till när i matchen en poäng spelas, eftersom skottvalet som en spelare kan göra 40-love up-servar för första set skiljer sig mycket från det skott de kan slå och kämpar för att stanna kvar i matchen djupt in i det femte setet.

Systemet kan förutsäga cirka 1000 skott på 30 sekunder.

"Vi tränar modellen i ordning så att den ser skottet från första omgången, till andra omgången och tredje omgången – så det bygger på upplevelser som en människa gör, " sa Dr. Denman.

"Vi försöker härma vad vi tror vad tennisspelarens hjärna kan göra."

Att lära systemet att tänka som en spelare, forskarna skapar två former av minne och ett sätt för dem att interagera när de fattar ett beslut. "Det finns episodiskt minne och det finns semantiskt minne, " sa Dr. Denman.

"Episodiskt minne är faktiskt individuella minnen. Det är att kunna gå tillbaka och minnas varje enskild stroke och vad som hände.

"Semantiskt minne är mycket mer abstrakt. Det är de övergripande lärdomarna som kom från många, många, många instanser av det episodiska minnet.

"Sedan arbetar de två minnena tillsammans med en inputstimulans. De drar var och en fram något relevant från sina egna minnen och använder det för att förstärka förutsägelsen om vad som kommer att hända.

"Det episodiska minnet kan titta på ingången och säga" Jag har sett sådana bilder här, här och här – här är något användbart”. Det semantiska minnet säger "vi borde slå över till den delen av banan för det är en bra taktik".

"Det hjälper sedan att styra produktionen."

Dr. Denman sa att han tror att toppspelare om mindre än tio år kommer att kunna använda den här typen av teknik för att studera spelet för en kommande motståndare.

"När du väl har tränat upp modellen, du kan bara mata in godtyckliga prover och du kan börja titta på olika matchningsscenarier, " han sa.

Systemet, givet uppgifterna om en viss spelare, kunde förutsäga hur den spelaren skulle slå bollen vid brytpunkten om en server gick antingen längs linjen eller utanför. Det kan också förutsäga sannolikheten att en viss spelare kommer att försöka slå en motståndare i nätet genom att slå en lobb eller ett passningsskott – och hur det valet av skott kan förändras i olika skeden av en match.

QUT-forskarna har gjort liknande banastudier som förutsäger sannolika utfall på områden så olika som hur piloter flyger sina plan till de rutter som fotgängare sannolikt skulle gå runt i deras grannskap. Denna forskning som förutsäger nästa skottplats i tennis är för närvarande under peer review för publicering.

Dr. Denman sa att tennis var särskilt lämplig för denna typ av banaforskning, med tanke på banstorlekens begränsningar och spelreglerna.

"Det här exemplet här är en enda bana med bollen, men det finns ingen anledning till varför dessa tekniker inte skulle kunna tillämpas på lagsporter som fotboll där du spårar alla sångare från båda sidor, " sa Dr. Denman.

"Sport är bra i den meningen för alla typer av maskininlärningsproblem eftersom du har alla dessa begränsningar och regler för vad som kan hända, vilket kan förenkla vissa problem jämfört med andra domäner."