（图源：venturebeat）

运球看起来似乎很容易。

事实上，要想在球场上轻松自如地移动，需要多年的艰苦工作，而事实证明，开发人员在计算机模拟中模拟这些技能也需要很长时间。

但一种涉及人工智能 ( AI ) 的新方法有可能让事情加速一点——至少对开发者来说是这样。

卡内基梅隆大学 ( Carnegie Mellon University ) 和 DeepMotion 的研究人员开发了一种基于物理原理的系统，可以从篮球运动员的真实动作中学习运球技巧。DeepMotion 是一家总部位于加州的 " 运动智能 " 初创公司，成立于 2014 年。

该报告的主要作者 Libin Liu 告诉媒体，" 这项研究为用熟练的虚拟化身来模拟运动打开了大门。"

" 这项技术可以应用于体育模拟之外，为游戏、动画、动作分析以及未来的机器人技术创造更多的交互角色。"

这两支队伍采用了一种深层强化学习模型——一种反映人类对环境反应方式的人工智能系统——来训练一个会带球的化身，让它在虚拟球场上自由活动，接受数以百万计的试验。

它分两个阶段学习。首先，它掌握了在球场上移动而不会摔倒或遇到障碍的艺术。

然后，它学会了如何控制自己的手臂和手掌，进而控制数字篮球的速度、速率和方向。

研究人员指出，以物理为基础的运球是出了名的难以用数字技术复制的，因为人类篮球运动员与球的接触非常短暂。

准确的细节——比如球在接触到球员的手后是如何旋转的——尤其难以捕捉。

虽然熟练的球员可以预测球的时间和位置，但电脑模型却缺乏熟练的手眼协调能力。

基于这些原因，团队选择使用轨迹优化来计算给定手部运动的最有可能路径，而不是捕捉球的运动。

他们将上述的动作捕捉数据——包括球员在腰部旋转球、交换手和其他运球技巧——输入到深度学习模型中，并开始训练。

结果是手臂和腿部的运动与现实世界的运动 " 密切协调 "。

这是一个了不起的成功，所有的一切都是——模型不仅学会了如何在两腿之间运球、在背后运球、交叉动作，也学会了如何顺利过渡到这些动作之间而不失去球。

团队认为，这种方法可以推广到其他运动项目。

他们写道 :" 虽然我们的框架是为篮球技能而设计的，但我们相信它可以扩展到其他动作，比如杂耍，在这种情况下，模拟角色和被操控对象之间的互动不会显著影响角色的平衡。"

" 在未来的工作中，我们也对其他运动感兴趣，比如足球，平衡控制与运动机动性在此紧密结合。"

这并不是研究人员第一次成功地将人工智能应用到篮球领域。

今年 7 月，马克 • 古巴支持的初创公司 HomeCourt 推出了一款智能手机应用程序，它使用机器学习和电脑视觉技术，以 99% 的准确率计算出投中的球和没投中的球。