بوزشوت: نموذج هجين CNN–BiLSTM محول للتعرّف على حركة رمية الجزاء الحرة عبر تحليل الوضعية

تدريب أذكى لرميّة كلاسيكية في كرة السلة

بالنسبة لأي شخص وقف يومًا عند خط الرميات الحرة، قد تبدو الفروقات بين دخول الكرة والشباك أو فشل الرمية غامضة. تُظهر هذه الدراسة كيف يمكن للذكاء الاصطناعي تحويل ذلك الغموض إلى ملاحظات واضحة وموضوعية. من خلال قراءة وضعية جسم اللاعب بعناية أثناء رمية الجزاء، يقوم نظام الباحثين، المسمى بوزشوت، بتقسيم الرمية إلى مراحل مفهومة ويكشف الحركات التي تفرّق بين تقنية ثابتة وتقنية مهزوزة.

تفكيك رمية الجزاء إلى مراحل واضحة

بدلاً من اعتبار رمية الجزاء كحركة واحدة بسيطة، ينظر بوزشوت إليها كسلسلة من خمس مراحل متميزة: المراوغة، التوقف، الرفع، الرمي، والمتابعة. جمع الفريق 75 فيديو للاعبين يؤدون رميات حرة في صالات متنوعة، تحت ظروف إضاءة وزوايا كاميرا مختلفة، ثم وسّموا آلاف الإطارات بأسماء هذه المراحل. تتيح هذه المقاربة الدقيقة للنظام طرح أسئلة أكثر تحديدًا: هل يتوقف اللاعب مدة كافية في مرحلة التوقف؟ هل يبدو مسار الذراع سلسًا أثناء الرفع؟ هل المتابعة متسقة من رمية إلى أخرى؟

قراءة الجسم بواسطة رؤية الحاسوب

لمعرفة ما يفعله اللاعب، يجمع بوزشوت بين نظرتين تكميليتين للحركة نفسها. أولًا، ينظر إلى صور الفيديو الخام ويستخدم نوعًا من الشبكات العصبية المعروفة بالشبكة الالتفافية لالتقاط الأشكال، مواقع الأطراف، ودلالات الحركة عبر كل إطار. ثانيًا، يمرر الفيديو عبر أداة لتقدير الوضعية تحدد مواقع المفاصل ثنائية الأبعاد في أنحاء الجسم. من هذه النقاط يحسب ثمانية زوايا مفصلية رئيسية، بما في ذلك المرفقان والوركان والركبتان. تشكل هذه الزوايا بصمة رقمية لطريقة وقوف اللاعب عبر الزمن، تلتقط كيف تنتقل الطاقة من الساقين، عبر الجذع، إلى ذراع الرمي.

مزيج مسارين من ذكاء الحركة

جوهر بوزشوت هو بنية ذات مسارين تعالج الصورة والوضعية جنبًا إلى جنب. يتدفق مسار الصورة عبر عدة طبقات تُكثّف تدريجيًا التفاصيل البصرية إلى ميزات مُدمجة. يُغذّي مسار الوضعية تسلسل زوايا المفاصل إلى شبكة زمنية خاصة تتتبّع كيف تؤدي وضعية جسد واحدة إلى التالية، للأمام والخلف في الزمن. فوق كلا المسارين، يضيف النظام طبقات محوّلة تعمل كآليات انتباه، مبرزة اللحظات والعلاقات الأكثر معلوماتية في الحركة. أخيرًا، يدمج النظام المسارين ويُرسلهما إلى مُصنِّف يقرر، إطارًا بإطار، أي مرحلة من مراحل رمية الجزاء يكون اللاعب فيها.

تفوّق على مدرّبين ذكاء اصطناعي آخرين

لحكم مدى فاعلية بوزشوت، قارن الباحثون أداؤه مع مجموعة من نماذج التعلم العميق الشائعة، من شبكات الصور التقليدية إلى تصميمات المعتمدة على المحولات الحديثة. باستخدام مقياس متوازن يكافئ كلًا من الضربات الدقيقة وتجنّب الأخطاء، سجّل بوزشوت حوالي 96 من 100، متفوقًا على جميع الطرق المنافسة عمومًا ومتميزًا بشكل خاص في مرحلة الرمي الحرجة. كان النظام قويًا بشكل خاص في التعرّف على الحركات الواضحة مثل التوقف، الرمي، والمتابعة. أصعب الفروقات كانت بين المراوغة والرفع، اللتين غالبًا ما تمتزجان في اللعب الواقعي وتختلفان بتوقيت وسرعة دقيقة بدلاً من تغيّرات وضعية واضحة.

من البيانات إلى تدريب عملي قابل للتنفيذ

من خلال تحويل فيديو عالي السرعة وقياسات المفاصل إلى تسميات مراحل موثوقة، يقدم بوزشوت للمدرّبين أكثر من مجرد أفضل لحظات الأداء. يوفّر طريقة منظمة لرؤية نقاط انهيار تقنية اللاعب، مدى تكراره للمواقف الرئيسية، وأي أجزاء من الحركة تفصل بين الرميات الناجحة والفاشلة. ومع أن النظام لا يزال يواجه صعوبة في الحركات المتشابهة جدًا ويعمل حاليًا بأفضل وجه على حواسب قوية، تشير الدراسة إلى مستقبل يمكن للاعبين على جميع المستويات فيه تلقي تحليلات فورية وموضوعية لتقنيتهم. عمليًا، يعني ذلك تدريبًا أكثر استهدافًا، عادات سيئة أقل، وطريقًا أوضح من خط الرميات الحرة إلى قاع الشبكة.

الاستشهاد: Hsu, WC., Lee, CC., Lee, YH. et al. PoseShot: hybrid CNN–BiLSTM transformer model for free throw action recognition via pose analysis. Sci Rep 16, 11478 (2026). https://doi.org/10.1038/s41598-026-41025-0

الكلمات المفتاحية: رمية جزاء حرة في كرة السلة, تحليلات رياضية, التقاط الحركة, التعلّم العميق, التعرّف على الأفعال