درون سازوکار تبدیل پخش‌های ورزشی به محیط‌های تعاملی سه‌بعدی

تصور کنید در محیطی باشید که بازیکنان دقیقاً بر اساس گزارش‌های تاریخی واکنش نشان می‌دهند و داده‌های خام مختصاتی به یک تجربه بصری با کیفیت بالا تبدیل می‌شوند. این «پخش‌کننده ویدئویی سه‌بعدی» برای جام جهانی ۲۰۲۲ که توسط راجر دیکی (Roger Dickey) توسعه یافت و در ۲۳ ژوئیه ۲۰۲۶ منتشر شد، به کاربران اجازه می‌دهد ۶۴ مسابقه را به شکل دوقلوهای دیجیتالی (Digital Twins) تماشا کنند.

این پروژه در واقع تلاش می‌کند شکاف میان بصری‌سازی‌های ایستا و بازسازی‌های غوطه‌ور را پر کند. همان‌طور که در تحلیل قبلی ما درباره‌ی خط لوله‌های خودکار تولید هایلایت‌های جام جهانی ۲۰۲۶ اشاره کردیم، تمرکز آنجا بر خروجی بصری بود؛ اما در اینجا بحث بر سر داده مرجع (Ground Truth) است؛ یعنی همان داده‌هایی که شرط‌بندان حرفه‌ای و تیم‌های ورزشی برای ردیابی تک‌تک حرکات بازیکنان به کار می‌برند. این رویکرد داده‌محور، در راستای تحولاتی است که سازمان‌های ورزشی برای تحلیل دقیق‌تر عملکرد بازیکنان دنبال می‌کنند، مشابه آنچه در تلاش فیفا برای دموکراتیزه کردن استعدادیابی از طریق تحلیل میلیون‌ها نقطه داده مشاهده شد.

سازوکارهای استخراج داده

طبق اعلام توسعه‌دهنده، اکثر داده‌های ورزشی از طریق بینایی ماشین روی پخش‌های زنده استخراج می‌شوند. این فرآیند شامل تشخیص اشیا (Object Detection) و نویسه‌خوانی نوری (OCR) برای شناسایی بازیکنان و توپ است. برای اطمینان از جایگذاری دقیق، سیستم از شناسایی هندسه‌ی زمین برای تبدیل مختصات استفاده می‌کند و روی نشانه‌های خاصی مثل دایره مرکزی، خطوط دروازه و گوشه‌های محوطه جریمه تکیه دارد.

ردیابی همیشه یکپارچه نیست. به نقل از مستندات پروژه، چون شماره پیراهن‌ها همیشه دیده نمی‌شوند، ارائه‌دهندگان از بردار معنایی (Embedding) — شبیه به کارت معرفی عددی برای هر واژه که می‌گوید این کلمه همسایه‌ی چه کلمات دیگری است — برای بازیکنان استفاده می‌کنند تا «بهترین حدس» از موقعیت آن‌ها داشته باشند. ثبت رویدادهایی مثل پاس‌ها، پنالتی‌ها یا قطع توپ‌ها نیز از طریق ترکیبی از استنتاج (Inference) خودکار و برچسب‌گذاری انسانی مدیریت می‌شود.

مقایسه ارائه‌دهندگان داده

دیکی برای ساخت این دوقلوها، پنج ارائه‌دهنده اصلی داده را مقایسه کرد تا رزولوشن لازم برای بازسازی با کیفیت را بیابد. او به حداقل ۲ فریم داده در ثانیه (در مجموع حدود ۱۱ هزار فریم) نیاز داشت تا ثبات بصری در بازسازی‌ها حفظ شود:

• PFF: پوشش ۶۴ بازی شامل ویدیوها، رویدادها و ردیابی با ۱۶۰ هزار فریم در هر بازی. این منبع با مختصات XY با فرکانس ۳۰ هرتز برای تمام بازیکنان در جام جهانی ۲۰۲۲، صیقل‌خورده‌ترین منبع بود.
• StatsBomb: پوشش ۴۲۶ بازی با ارائه رویدادها و ردیابی در محدوده ۳ تا ۴ هزار فریم.
• Metrica: پوشش ۳ بازی با ارائه رویدادها و ردیابی در سطح ۱۶۰ هزار فریم.
• SoccerNet: پوشش ۵۵۰ بازی با ارائه ویدیوها و داده‌های خام بینایی ماشین در سطح ۱۶۰ هزار فریم؛ این منبع به دلیل داشتن بهترین جامعه علمی و مخازن عمومی شناخته می‌شود.
• WhoScored: پوشش تعداد زیادی از بازی‌ها، اما فقط با ارائه میانگین موقعیت X تیم‌ها (نوعی از داده‌ها که توسط الکساندر بوگاچف استفاده شده است).

معماری فنی

این سیستم بر پایه یک معماری سه‌لایه بنا شده است:

• یک سرور API برای ارسال لیست بازی‌ها، اطلاعات بازیکنان و فریم‌های کلیدی ویدیو.
• یک نقطه پایانی استریم (Streaming Endpoint) که مختصات XY را در لحظه تماشای کاربر ارسال می‌کند.
• یک نمایشگر وب با انتخابگر بازی که وضعیت دو‌بعدی یا سه‌بعدی مسابقه را رندر می‌کند.

برای مدیریت حجم عظیم داده‌ها، دیکی از کلود (Claude) برای تبدیل مشخصات PFF به یک فرمت فشرده و قابل استریم استفاده کرد. مقیاس داده‌های یک بازی PFF بسیار قابل توجه است: داده‌های مسابقه ۱ کیلوبایت، لیست بازیکنان ۸ کیلوبایت، رویدادها ۱۶ تا ۲۰ مگابایت و داده‌های ردیابی حدود ۰.۸ تا ۱.۲ گیگابایت است. در نهایت، هر بازی به حدود ۱۰۰ مگابایت فشرده شده و به ۶۰۰ فایل JSON ده‌ثانیه‌ای تقسیم می‌شود که توسط کلاینت به ترتیب درخواست داده می‌شوند.

جزئیات عمیق: لایه رویداد

داده‌های رویداد بسیار ریزدانه و دقیق هستند. برای مثال، یک ضربه سر توسط لیونل مسی در دقیقه ۱۳:۳۶ فینال آرژانتین و فرانسه، فقط به عنوان یک گل ساده ثبت نمی‌شود، بلکه متادیتای دقیقی دارد: شماره فریم ۲۹۰۹۸، شناسه رویداد ۶۷۳۹۱۳۲ و جزئیات فیزیکی مثل «نوع بدنی اولیه: HE» (مخفف Header یا ضربه سر) و «نوع ارتفاع اولیه: A» (مخفف Aerial یا هوایی). این سیستم حتی بازیکن هدف (جولین آلورز) و نوع نتیجه حاصل از پاس را ردیابی می‌کند.

حل مشکل «سکوت داده‌ای» (Dead Air)

داده‌های ردیابی خام از پخش‌های زنده ناقص هستند. به طور میانگین در ۲۷٪ از زمان پخش، توپ در جریان نیست یا دوربین در حال نمایش تکرارها، نمای نزدیک از چهره بازیکنان یا سایر تصاویر است. برای جلوگیری از یخ زدن دوقلوی دیجیتالی در این بازه‌ها، سیستم از کتابخانه‌ای از انیمیشن‌های رویداد-محور و میان‌برهای بصری (Cutscenes) استفاده می‌کند.

وقتی داده‌های رویداد یک اکشن خاص را فعال می‌کنند، نمایشگر به یک انیمیشن پیش‌فرض سوئیچ می‌کند. این موارد شامل موارد زیر است:

• حرکات بازیکن:

  • ضربه سر: میانگین ۹۳ مورد در هر بازی (با مدت زمان ۰.۹ ثانیه)
  • شیرجه دروازه‌بان: میانگین ۸.۸ مورد در هر بازی (با مدت زمان ۳ ثانیه)
  • جشن گل: میانگین ۲.۷ مورد در هر بازی (با مدت زمان ۲۰ ثانیه)
  • مصدومیت: میانگین ۳۰ مورد در هر بازی (با مدت زمان ۱۰ ثانیه)

• زاویه‌های دوربین:

  • ضربه گوشه: میانگین ۹ مورد در هر بازی (با مدت زمان ۱۲ ثانیه)
  • پرتاب اوت: میانگین ۴۰.۹ مورد در هر بازی (با مدت زمان ۶ ثانیه)
  • ضربه آزاد: میانگین ۲۸.۵ مورد در هر بازی (با مدت زمان ۸ ثانیه)
  • پنالتی: میانگین ۰.۴ مورد در هر بازی (با مدت زمان ۱۲ ثانیه)
  • شروع بازی (Kick off): میانگین ۴.۸ مورد در هر بازی (با مدت زمان ۱۰ ثانیه)

• اقدامات داور:

  • کارت زرد/قرمز: میانگین ۳.۶ مورد در هر بازی (با مدت زمان ۳ ثانیه)
  • پرچم آفساید: میانگین ۴.۱ مورد در هر بازی (با مدت زمان ۳.۵ ثانیه)
  • بازبینی VAR: میانگین ۰.۳ مورد در هر بازی (با مدت زمان ۵ ثانیه)
  • تعویض بازیکن: میانگین ۹.۲ مورد در هر بازی (با مدت زمان ۱۰ ثانیه)

برای غوطه‌وری بیشتر، موتور گرافیکی شامل جمعیتی شبیه‌سازی شده از هواداران با پیراهن‌های تیم میزبان و مهمان است که هنگام پیشروی یا شلیک تیمشان، واکنش‌های صوتی و بصری نشان می‌دهند.

این رویکرد ترکیبی — ادغام ردیابی با فرکانس بالا و انیمیشن‌های گسسته — یک بازسازی دقیق می‌سازد. چون داده‌های زیربنایی مستقل از پوسته بصری (Visual Skin) هستند، دیکی برای نمایش انعطاف‌پذیری موتور خود، فینال ۲۰۲۲ را با حضور موجودات فضایی در سیاره مریخ رندر کرد. این قابلیت تغییر پوسته بصری و بازسازی هویت بازیکنان، با روندهای جدیدی در دنیای دیجیتال ورزش هم‌سو است، جایی که هوش مصنوعی در حال تغییر مفاهیم سنتی برندسازی ورزشکاران و خلق بازنمایی‌های جدید از آن‌هاست.

برای توسعه‌دهندگان و تحلیلگران، این پروژه ثابت می‌کند که داده‌های ردیابی ۳۰ هرتزی برای عبور از نقشه‌های حرارتی (Heatmaps) ساده و ورود به شبیه‌سازی‌های کاملاً تعاملی کافی هستند. این اتفاق ارزش داده‌های ورزشی را از آمار توصیفی به تجربه‌های مولد منتقل می‌کند.

شما اکنون می‌توانید به سازنده داده‌ها و نمایشگر بازمنبع در گیت‌هاب دسترسی داشته باشید تا بصری‌سازی‌های ورزشی خود را بسازید.

گام بعدی شما

• مخزن بازمنبعِ سازنده داده‌ها و نمایشگر را در گیت‌هاب بررسی کنید تا بصری‌سازی‌های ورزشی خود را بسازید.
• مقایسه رزولوشن داده‌های PFF با سایر ارائه‌دهندگان را برای درک تفاوت دقت ردیابی مطالعه کنید.
• بررسی کنید چگونه می‌توان از مدل‌های زبانی برای تبدیل فرمت‌های حجیم داده به نسخه‌های استریم‌پسند بهینه‌تر استفاده کرد.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.