Welche Positionen nehmen die Spieler*innen bei eigenem Ballbesitz ein und welche weiteren Spielphasen resultieren daraus in der Regel? Wann und wo wird der Gegner unter Druck gesetzt? Welches Spielsystem inklusive Laufwege hat das Team einstudiert? Welche Spielzüge führen zum Torerfolg? Um diese Fragen zu beantworten, werden Daten analysiert. Dabei ermöglichen zum Beispiel technologische Fortschritte in der Sensortechnik und (semi-)automatisierten Datensammlung umfangreiche Analysen in den Sportarten Fußball, Basketball und Handball. Und zur Belastungssteuerung werden moderne Trackingsysteme sowohl im Wettbewerb als auch im Training eingesetzt.
Die automatisierte Analyse dieser Daten ist ein wichtiger Schlüssel. Das Institut für Trainingswissenschaft und Sportinformatik der Deutschen Sporthochschule Köln (DSHS) und das Forschungszentrum L3S der Leibniz Universität Hannover haben nun einer eigenen Pressemeldung zu Folge erfolgreich das durch das Bundesministerium für Bildung und Forschung (BMBF) geförderte Projekt „MM4SPA – Multimodale Analyse für Sports Analytics: Intelligente Synchronisierung und semantische Anreicherung von Positions- und Videodaten zur Analyse von Sportspieldaten“ abgeschlossen.
Ziel des Projekts war die Entwicklung von maschinellen Lernverfahren zur multimodalen semantischen Analyse von Sportspielen aus unterschiedlichen Domänen, um so Expert*innen qualitativ hochwertige Analysen zu ermöglichen. Das Projekt wurde im Rahmen der Förderlinie „Anwendung von Methoden der Künstlichen Intelligenz in der Praxis“ positiv begutachtet und über einen Projektzeitraum von zwei Jahren (2020-2023) mit mehr als 800.000 Euro finanziert. Mit dieser Förderlinie unterstützt das BMBF Vorhaben, die den Transfer von innovativen Forschungsergebnissen aus dem Gebiet der Künstlichen Intelligenz in die Praxis zum Ziel haben.
„Wir konnten insbesondere die exakte Synchronisation von Event-, Video- und Positionsdaten weiterentwickeln, welche essentiell für die Entwicklung und Anwendbarkeit multimodaler Ansätze ist. Neben granulareren sportartübergreifenden Definitionen und Lösungen zur Eventerkennung haben wir ein Open Science Framework zur Verarbeitung von Sportdaten implementiert“, so Univ.-Prof. Dr. Daniel Memmert, geschäftsführender Leiter des Instituts für Trainingswissenschaft und Sportinformatik der Deutschen Sporthochschule Köln. Er und sein Team beschäftigen sich seit Jahren mit der Analyse (z.B. mit SOCCER(c)) sowie Simulation von komplexen Positionsdaten (sog. Big Data) und haben hierzu theoretische Rahmenmodelle entwickelt und validiert (vgl. DFG-Projekt „e-Science“).
Weiterer Projektpartner ist das Münchner Technologieunternehmen KINEXON, Experte im Bereich der Echtzeiterhebung und -verarbeitung von Sportleistungsdaten, mit dem die Sporthochschule seit fünf Jahren zusammenarbeitet. „Im Zuge dieser Kooperation ist das Institut für Trainingswissenschaft und Sportinformatik eine der wenigen Forschungsstätten weltweit, an der Positionsdaten in den Spielsportarten Indoor und Outdoor erfasst werden können.
„Im Rahmen des aktuellen Projekts ist es gelungen, Methoden des maschinellen Lernens in die bestehende Analyseplattform von KINEXON zu integrieren“, erklärten die Lehranstalten in ihrer Pressemeldung. „Die entwickelten Verfahren wurden prototypisch in unsere Software integriert, um die Analysen dem Sport und unseren Partnern verfügbar machen zu können“, fügte der Geschäftsführer von KINEXON Sports & Media, Dr. Maximilian Schmidt, an.
Die für das Projekt nötige Expertise im Umgang mit Videodaten und maschinellen Lernverfahren trug das Forschungszentrum L3S bei, angesiedelt an der Leibniz Universität Hannover. Hier befasst sich der Informatiker Professor Dr. Ralph Ewerth gemeinsam mit seiner Forschungsgruppe „Visual Analytics“ seit vielen Jahren mit der Analyse von Videos und Daten, die in mehreren Modalitäten vorliegen (z.B. Sprache und Bild) oder mit unterschiedlichen Sensoren erfasst wurden.
Die Arbeitsgruppe erforscht und entwickelt unter anderem Methoden der automatischen Videoanalyse und des künstlichen Sehens mithilfe von maschinellen Lernverfahren. „Durch eine präzise Spielfeldregistrierung als Grundlage für die semantische Verknüpfung von Video- und Positionsdaten konnten wir Methoden zur Erkennung von Spielphasen, wie zum Beispiel Pressing, für die weitergehende Spielanalyse vorantreiben“, skizziert Prof. Ewerth den Einsatzbereich des Teams aus Hannover.
