Das von der FFG (Österr. Forschungsförderungsgesellschaft) geförderte und in Kooperation mit der Firma Inmotiotec (www.abatec-ag.com/inmotiotec-rtls/) und dem SCCH (Software Competence Center Hagenberg, www.scch.at/de/) durchgeführte Projekt WiMoiS („Wissensbasierte Modellierung der individuellen Spielleistung“) endet mit 31.12.2016.
Ziel des Projektes war die Entwicklung von Methoden zur automatischen Erkennung und Bewertung von kollektiven und individuellen Sportspielleistungen auf Basis von Positionsdaten (Trackingdaten) und mittels Verfahren der Statistik, der Künstlichen Intelligenz und wissensbasierten Methoden. Die dafür notwendigen Daten wurden an der Nachwuchsakademie des FK Austria Wien (http://www.fk-austria.at/de/teams/akademie/info/) aufgenommen. Bei der Verarbeitung dieser Daten kommt es zunächst zur Modellierung von Expertenwissen – die entwickelten Methoden sollen also das Vorgehen von Analysen durch Experten (z.B. Trainer) nachstellen, und dieses gleichzeitig auch objektivieren. Die folgende Abbildung zeigt das grundlegende Forschungsvorgehen: Der eigentlichen Analyse der Trackingdaten geht ein qualitativer Forschungsprozess voraus. Dabei werden mit Experten (Trainer, Analysten) Interviews durchgeführt, in denen das Vorgehen bei Spiel- und Spieleranalysen abgefragt wird. Die Information aus den Interviews wird extrahiert und dient als Informationsbasis für eine Expertendiskussion, in der in der Folge Testübungen bzw. Testspielformen sowie die für eine Leistungsbewertung notwendigen Parameter festgelegt werden. Die hier nun definierten Features werden für automatisierte Taktik-Analysen mittels Methoden des Machine Learning eingesetzt.
Als Untersuchungsgegenstand werden Kleinfeldspiele im Fußball herangezogen, da diese sowohl als Trainingsinhalt als auch als Diagnostikmittel herangezogen werden können. Als Datenbasis, und somit als Input für das Bewertungssystem, dienen die SpielerInnen-Positionsdaten, die von allen an einer Spielform beteiligten SpielerInnen mit dem Inmotiotec-Trackingsystem gewonnen werden. Mittlerweile kann die Bewertung von Team- und Spielerleistungen in niedrig-komplexen (z.B. 1 gegen 1) und mittel-komplexen Spielformen (z.B. 3 gegen 2) automatisch vollzogen werden. Dabei erkennt das System für den zeitlichen Ablauf der Spielform relevante Zeitpunkte (z.B. Start, Zweikampf, Pass, Schuss etc.) und misst zu diesen Zeitpunkten und/oder in den Phasen dazwischen spezifische kinematische Features (z.B. Abstände zwischen SpielerInnen, Geschwindigkeiten, Beschleunigungen etc.). Mit den Werten dieser Features werden die Expertenwissen-basierten Modelle gefüttert und definierten Verhaltensmustern, welche zuvor aus allen vorhandenen Daten mit Machine Learning Methoden gelernt wurden, zugeordnet. Für die einzelnen Verhaltensmuster sind die jeweiligen Erfolgswahrscheinlichkeiten (z.B. Tor-Rate, Abschlusswahrscheinlichkeit etc.) bekannt, sodass basierend auf dem gesamten Verhaltensprozess die Spielleistung beurteilt werden kann.
In weiterer Folge wurde das beschriebene Konzept auf höher-komplexe Spielformen (5 gegen 5) angewandt. Eine wesentliche Erkenntnis bei diesem Schritt war, dass aufgrund der hier wirkenden viel höheren Anzahl an taktischen Prinzipien (im Vergleich zu den nieder- und mittel-komplexen Testformen) die Ausarbeitung mehrerer Analysetools, die ineinander wirken, notwendig ist. Bisher wurden drei solcher Tools entwickelt (Erkennung und Bewertung von Passstrategien, Passgeber-Passempfänger-Analyse und Spielerpositionierung im Abwehrverhalten). Bis Projektende erfolgt die Verschachtelung dieser Tools, um eine umfassende Bewertung des taktischen Verhaltens in 5 gegen 5 Kleinfeldspielen zu ermöglichen.
Kontakt: Dr. Roland Leser, roland.leser@univie.ac.at
