スポーツアナリティクスの黎明 サッカーにおけるデータ分析―テクノロジー最前線 データアナリティクス&AI編（11）

スポーツアナリティクスの隆盛

「スポ根」という言葉に代表されるように、かつては経験・勘・根性といったものが主役とされていたスポーツですが、その現状は一変しています。あらゆる競技・種目において、戦略の策定、戦術の変更，選手の起用、各選手の能力向上のためのトレーニング計画の立案などにAIが活用されるなど、科学的なデータ分析が盛んに行われるようになってきました^*1。例えば、サッカーの国際大会では、AIを活用した半自動オフサイド技術が運用されるなど、スポーツそのものもデータによる進化を遂げています。最近も、ボールがゴールラインを超えていたかどうかを審判が検証するために、さまざまな角度の映像がスーパースロー再生の技術を交えて活用されたことが話題になりましたが、これはまさに最新のテクノロジーの結集といえるものでした。

今後さらにスポーツアナリティクスが進化していくことは間違いありませんが、さまざまなデータを十二分に活用することは必ずしも容易ではありません。データを収集し、分析するためには相応のスキルが必要であることに加え、データの分析結果を選手や監督の気づきにつなげるための橋渡し役が求められているからです。本コラムでは、サッカーをテーマにPwCコンサルティングが取り組んだ、スポーツアナリティクスに係る支援事例を紹介します。

動画解析による試合分析支援

「いかに短い時間で試合をよく理解するか」は、監督にとって重要な意味を持ちます。監督がよりよい戦略を立案するためには、自チーム内の紅白戦はもちろん、他チーム同士の試合など、過去から直近まで幅広い試合をよく理解することが必要となるからです。

しかし、試合と試合の間の限られた時間の中で前後半合わせて90分の試合の動画を何度も見直すことは大きな負担となります。昨今は市販の映像分析ツールも増えてきましたが、見直したいシーンの抽出およびラベリング作業は、監督や分析担当者が手作業で行っていることも多く、大きな負担となっています。

また、試合を撮影するカメラの画角には限りがあり、映像だけから重要な選手の位置関係を把握することが難しい場合もあります。ピッチの全体を俯瞰するカメラがあっても、選手やボールの映像が小さく見づらく、1つの試合に対して複数視点のカメラで撮影された動画を別々に閲覧することは、監督にとって新たな負担となってしまうことも考えられます。

そこでPwCコンサルティングはAIを用いて、通常3次元映像（観客席からの撮影）から監督が繰り返しよく見るシーンの自動抽出ラベリング、スタッツ^*2の提示を行ったほか、広角俯瞰映像を用いることでできる場合は全選手のピッチ上の位置を示す鳥瞰2次元映像を通常3次元映像に同期させた動画を生成しました。

シーンの自動抽出ラベリングにおいては、ゴールやセットプレーの場面に加え、攻撃を組み立てるビルドアップ、シュートを放つフィニッシュ、相手チームの攻撃に対する積極的なプレス、相手のシュートに対するブロックの4つのシーンを検出しました。これらはツール上で、検索と連続再生できるようにし、また監督のニーズに沿ったシーンを独自にトリミング保存できる機能も付与しました。

動画解析による試合分析支援における取り組み

結果、相手チームの特徴に応じて重要シーンとスタッツを確認することで、監督だけでなく選手にとっても分かりやすい形で、試合の流れと相手の戦術を手早く想起させられることができました。今後、さらに柔軟なシーン抽出の仕組みづくりと、「いかに選手を育成するか」という3つ目のテーマにむけ、全選手のピッチ上の位置を示す鳥瞰2次元映像を用いた、選手の戦術理解促進が期待されました。

開発したAIの概要

今回作成したAIは、自動運転などの領域において活用が進む物体検出追従AIや、カメラの自己位置や角度を推定するAIを援用しており、AIによって推定されたボールや選手のピッチにおける位置情報を分析しています。より具体的には、下図のステップで分析を行いました。

今回開発したAIおよび処理の流れ

1. 物体検知追従AIモデルの学習／作成
   AIの学習用に受領した試合動画から選手、ボール、各ラインなどをアノテーション^*3し、物体検知追従用AIモデルを作成。
2. 物体検知追従AIモデルの適用
   1.で作成したAIモデルにより、試合動画から選手、ボール、各ラインなどの画素座標を取得。
3. ピッチ座標への変換
   各種プレーに関するデータが、ピッチのどこで行われているか推定。
   • 画角変動映像に対して
     画角が固定されていない映像の場合は、ボールを追っていることを前提にオプティカルフローを用いて推測されたカメラの向きや、物体検知追従AIで検出された各ライン情報から座標変換。
     ニューラルネットワークを用い、フレームごとにホモグラフィー変換^*4を行う手法も考えられたが、十分な学習データが短期間で得られないため見送った。
   • 固定画角映像に対して
     カメラが固定されている場合、ホモグラフィー変換によって画像座標からピッチ座標へ座標変換。
   • GPSセンサに対して
     得られる緯度経度座標を、試合が行われたピッチの緯度経度情報を用いて座標変換。
4. 特徴量作成
   2と3の工程で得られた情報を組み合わせた動画フレームごとの特徴量を作成（各シーンらしさ、自チームがボールの最近傍にいるか、プレーがアタッキングサード^*5で行われているか、ボールや選手の速度や位置関係からして試合開始、またはリスタートの瞬間にあるかなど）
5. データ分析
   • 動画解析による試合分析
     シーン検出を行うための独自ロジックを作成し、各動画のフレームごとに尤度を計算。信号処理の要領で、各シーンに関する尤度のピークやFWHM^*6を基に、シーンと時間を検出およびラベリング。
     スタッツや広角俯瞰映像の活用は4までのデータを用いて可視化。
   • 動画とセンサのクロス解析によるプレー成否要因分析
     監督と定義した一定時間のシーンに対して成否を定義し、4で作成した特徴量から変数選択したものを投入した決定木分析によって、重要変数および成否要因を分析。

特に大きな特徴として、シーンの抽出に際し、動画とシーンラベルのデータセットを用意して深層学習を行う手法は採用していないことが挙げられます。それは、カメラの撮影条件（撮影位置、Frame Per Seconds、画質など）だけでなく、芝生の色やラインが異なる（ハーフコートラインの有無、他競技用のラインの有無など）試合動画が少なくなく、十分なデータセットを短期間で作りきることは困難と判断したためです。

語注・脚注

*1 加藤健太. (2019). スポーツデータの概要とAI活用の可能性. 人工知能, 34(4), 539-544.

*2 英語で統計値を意味するStatisticsを短縮したStats（スタッツ）のことで、スポーツ分野においては、選手やチームのパフォーマンスを数値化した情報を意味する。

*3 注釈を意味するannotation（アノテーション）のことで、AIに学習させるための教師データの作成作業のこと。今回の画像に対するアノテーションでは、サッカーの試合動画から抽出された画像に対し、各物体がどこに位置するのか四角形で囲う作業が該当する。

*4 座標変換の一種であり、ある平面を別の平面に射影することを意味する。今回の取り組みでは、ピクセル数で定義される画像座標平面から、サッカーのピッチ座標平面への変換が該当する。

*5 サッカーにおけるアタッキングサードとは、ピッチを攻守方向に3分割した時に相手ゴールに近い3分の1のスペースを意味する。

*6 Full Width at Half Maximum. 半値全幅

*7 Rico-González M, Pino-Ortega J, Méndez A, Clemente FM, Baca A. Machine learning application in soccer: A systematic review. Biology of Sport. 2023;40(1):249-263. doi:10.5114/biolsport.2023.112970.

*8 Laptop Coaches: Analysts to Come into the Open at World Cup. (n.d.). Trainingground.
https://trainingground.guru/articles/laptop-coaches-analysts-to-come-into-the-open-at-world-cup

*9 JFAの目標. (n.d.). JFA. http://www.jfa.jp/about_jfa/dream/

*10 草の根の意味から転じて、プロに限らず、年齢・性別・障がい・人種にかかわりなくスポーツを楽しむ層を意味する。

PwC Japanグループでは、データアナリティクス領域でご活躍いただける方を募集しています。本記事に関連する求人情報は以下ページよりご覧ください。