IoT | Strojové učení

Jak internet věcí a strojové učení změnilo nejznámější cyklistický závod

  • Všichni závodníci na Tour de France vezou pod sedlem GPS modul, který odesílá živá data
  • Díky nim jsou předpovídány výsledky nebo průběh etapy
  • K dispozici jsou velmi podrobné analýzy celých etap

Tři červencové týdny každoročně patří cyklistickému závodu Tour de France, který je jednou z nejsledovanějších sportovních událostí roku. Zatímco ještě před pěti šesti lety jsme mohli zápolení cyklistů sledovat ryze na televizních obrazovkách, kde jsme dostali pouze údaje o ujetých kilometrech, nyní je divákům nabízeno množství podrobnějších dat. Ta jsou získávána díky novým technologiím, do nichž se zapojilo i strojové učení.

GPS pod sedlem

Základem celého systému je jednoduché zařízení obsahující miniaturní GPS modul a akumulátor, jež každý závodník vozí přimontovaný na sedlové trubce. Všechna posbíraná data jsou po celou dobu závodu odesílána do doprovodných vozů, z jejichž stanic putuje signál dále do vrtulníků, které pokrývají celou trasu závodu. Z vrtulníků zamíří údaje do datových kamionů, kde jsou údaje poprvé zpracovány a mohou být zahrnuty například v televizní grafice.

tracking device.jpg
Každý závodník v pelotonu veze na sedlové trubce GPS modul s akumulátorem, který odesílá živá data do okolních doprovodných vozů

Mezi údaji, které jsou díky GPS modulu získány samozřejmě najdeme polohu každého jezdce, aktuální rychlost a dopočítány jsou potom rozestupy mezi všemi závodníky. To je ale jen naprostý základ, s nímž se setkáváme při běžném vysílání v podobě údaje o aktuální rychlosti nebo promítnutí celého závodního pole na mapu.

Velké množství nasbíraných dat si ale říká o další strojové zpracování, ke kterému letos poprvé v případě Tour De France sáhla společnost Dimension Data, která se o celé datové zázemí závodů stará.

Profil závodníka i předpověď výsledků

Ze všech dat, která jsou sbírána na Tour de France, ale i těch historických z minulých závodů je sestaven profil každého závodníka v pelotonu, který ukazuje přednosti a slabiny. V grafu níže se tak můžeme podívat na profil závodníka, který je výborný v časovkách (TTT, ITT), daří se mu v boji o celkové vítězství (GC) a v kopcovitých etapách. Naopak to nebude excelentní sprinter a výsledky mu tak chybí v závodech bez kopců.

rider_a.jpg
Z nasbíraných dat v kombinaci s výsledky jsou sestavovány profily jednotlivých jezdců

Takto sestavené profily jsou potom využívány i při předpovědi výsledků. A ani zdaleka se nemusí jednat pouze o celkové vítězství etapy. Data jsou využívána samotnými týmy pro predikci celkového času vítěze, od něhož se odvíjí i časový limit, v němž musí dorazit všichni závodníci do cíle – v opačném případě je čeká diskvalifikace.

Díky profilům jednotlivých závodníků potom Dimension Data nabízí i údaje o tom, jakou šanci mají na vítězství jezdci z tzv. úniků, kdy se malá skupina odpoutá od hlavního pole a snaží se takto dojet do cíle.

Grafy pro všechno

Kromě živých dat, která jsou nabízena na webu, je zveřejňováno i velké množství grafů ukazujících závod z pohledu dat. Prohlédnout si tak můžeme, jak vypadá ideální načasování útoku při finálním spurtu (viz video níže), jaký tým se stará o černou práci na špici pelotonu nebo jak se po dobu etapy vyvíjel náskok skupiny před pelotonem.

Diskuze (9) Další článek: Umělá inteligence od DeepMind se naučila běhat přes překážky, vypadá při tom ale dost podivně

Témata článku: , , , , , , , , , , , , , , , , , , , , , , , ,