Automatisierte Spielereignis-Erkennung wird Realität

Lückenlose Positionserfassung durch 3D-Tracking

Seit Beginn der Saison 2025/26 setzt die DFL auf 3D-Datentracking: Sämtliche Spielerbewegungen auf dem Feld werden vom Anpfiff an durch spezielle Kameras verfolgt. Der Körper jedes Spielers wird hierbei durch die Software in ein »Skelett« aus festgelegten Datenpunkten – Kopf, Schultern, Hüften, Arm- und Beingelenke, Fußspitzen – übersetzt, weshalb auch von »Skeletal Data« gesprochen wird. Dieses im Auftrag der DFL bereitgestellte Verfahren ermöglicht neben der systematischen Erfassung aller Positionsdaten auch eine lückenlose Virtualisierung der Körperbewegungen aller Spieler. Das wiederum eröffnet ein enormes Nutzungspotenzial, vor allem für die Automatisierung von Analyseprozessen.

Beim 3D-Datentracking werden durch mehrere Kameras die Bewegungsdaten von 21 Körperpunkten je Sportler erfasst.
Denn neben den Positions- beziehungsweise Trackingdaten gibt es auch die so genannten Ereignisdaten. Bislang werden Spielereignisse, wie beispielsweise Einwürfe, Zuspiele und Zweikämpfe, live von meist vier »Operatoren« manuell erfasst und in ein Redaktionssystem eingegeben. Dieser Prozess ist jedoch aufwändig und birgt zudem die Gefahr, dass die eingesetzten Personen punktuell nicht alle Vorgänge auf dem Spielfeld einheitlich erfassen oder im Blick behalten können.

Skeletal Data und Confidence-Score

Schon seit mehreren Jahren arbeiten die DFL und ihre Beteiligung Sportec Solutions AG deshalb intensiv an zuverlässigen Automatisierungslösungen für die Erfassung von Spielereignissen. Jetzt steht die von Sportec Solutions entwickelte Lösung in den Startlöchern, ermöglicht durch umfassende Unterstützung von Amazon Web Services (AWS). Der offizielle Technologie-Provider der DFL stellt die gesamte Cloud- und Machine-Learning-Infrastruktur sowie die Entwicklungsumgebung bereit und berät darüber hinaus die Entwickler bei Sportec Solutions hinsichtlich der optimalen Nutzung dieser Infrastruktur. Ziel sind technisch reibungslose Abläufe mit geringer Latenz und hoher Performance.

Beim 3D-Datentracking werden durch mehrere Kameras die Bewegungsdaten von 21 Körperpunkten je Sportler erfasst.

»Mit der neuen Technologie der Skeletal Data ist es nun erst möglich geworden, auch die automatische Ereigniserfassung auf das benötigte Qualitätsniveau zu bringen«, erläutert Christian Holzer, Geschäftsführer der Sportec Solutions AG, die das entsprechende KI-Modell entwickelte. »In unserem neuen Projekt verfolgen wir einen KI-basierten Machine-Learning-Ansatz für die automatische Erkennung von Spielereignissen auf Basis von Skeletal Data.«

Um Vorgänge auf dem Spielfeld treffsicher identifizieren zu können, musste das KI-Modell zunächst mit vielen hundert aus realen Spielen entnommenen Beispiel-Videoclips zu jedem Ereignistyp »gefüttert« werden. Anhand dieses Datenbestands errechnet nun das System im Live-Spielbetrieb die Wahrscheinlichkeit, mit der eine spezifische Spielszene dem einen oder anderen – oder keinem – Ereignistyp zuzuordnen ist. Den Ereignistyp, den es erkennt, gibt das System zusammen mit dem Ereignisnamen einen Wahrscheinlichkeitswert aus, den sogenannten »Confidence Score«, der besagt, wie sicher sich das System anhand der Berechnung bei der Zuordnung zum jeweiligen Ereignistyp ist. Um die Treffgenauigkeit weiter zu erhöhen, wurden die Ergebnisse während der Entwicklungsphase immer wieder anhand zusätzlicher eingrenzender Vorgaben nachjustiert, bis nun ein sehr hoher Genauigkeitsgrad erzielt wurde.

Maschinelles Lernen ermöglicht präzise Situationserkennung

Nach dem erfolgreichen Abschluss der Proof-of-Concept-Phase im Frühsommer 2025 können nun ballzentrierte Ereignisse – Ballabgaben und -annahmen, Schüsse sowie alle Arten von Standardsituationen, also Einwurf, Eckball, Anstoß, Abstoß, Torschuss, Freistoß und Strafstoß – bereits mit sehr hoher Zuverlässigkeit erkannt werden.

Ballzentrierte Ereignisse können bereits mit sehr hoher Zuverlässigkeit erkannt werden.

Mit Beginn der Saison 2025/26 ging das System in eine Praxistestphase zur Live-Erprobung und weiteren Optimierung. »Wir streben stets eine zukunftsweisende Weiterentwicklung der Datenerhebung an. Gleichzeitig stellt die DFL hohe Ansprüche an die Qualität ihrer Produkte und Dienstleistungen«, erklärt Dr. Hendrik Weber, Leiter der Direktion Sport-Technologie & Innovation der DFL. »Deshalb sind diese umfangreichen Tests unerlässlich.«

FC Bayern München gegen Borussia Dortmund: Das Tor von Harry Kane zum 1:0 aus der Perspektive des BVB-Torwarts – visualisiert anhand der erhobenen 3D-Daten.

Christian Holzer.

Unterdessen geht die Entwicklungsarbeit weiter, denn das System soll noch eine ganze Reihe weiterer Szenen erkennen lernen, etwa Dribblings oder die Vororientierung eines Spielers vor der Ballannahme (»Scanning«). »Was wir hier tun, ist Pionierarbeit«, meint Christian Holzer. »Für viele Ereignisse, beispielsweise Pässe oder Zweikämpfe, existieren zwar Definitionen, aber in der Realität sieht jeder Zweikampf anders aus.« So können per Definition etwa 80 Prozent der Ereignisse relativ einfach erkannt werden; um aber alle Randfälle zuverlässig zu erfassen, muss das System aus vielen Situationen selbst lernen, was ein Pass oder Zweikampf ist. »Es verhält sich im Grunde wie ein Mensch, der anhand vieler Alltagserlebnisse lernt, wie die Dinge heißen und was sie charakterisiert«, erläutert Holzer.

Ereigniserkennung erreicht neue Dimensionen

Die Zahl der Spielsituationen, die künftig automatisiert erkannt werden können, sei dank KI um ein Vielfaches höher als das, was die menschlichen Operatoren leisten können, meint Holzer. Die KI ermögliche eine derart umfangreiche Erfassungsleistung, als hätte man für jeden Spieler einen eigenen Operator.

Die Operatoren werden unterdessen weiterhin eingesetzt, denn redaktionelle Arbeit braucht nach wie vor menschliche Intelligenz zur Erreichung höchster Qualitätsansprüche. Die Ergebnisse der KI-Ereigniserfassung müssen weiterhin durch Menschen kontrolliert und qualitätsgesichert werden. Außerdem wird es auch in absehbarer Zukunft Datenpunkte geben, die von Menschen erfasst werden müssen.

Ausblick

Derzeit befindet sich das System parallel zur bisherigen Erfassungsmethodik im Testbetrieb; perspektivisch soll es im Regelbetrieb eingesetzt werden, unterstützt durch Operatoren, die die Ereigniserkennung kontrollieren, diese Arbeit aber nun mit wesentlich reduziertem Aufwand erledigen können.

Hendrik Weber.

Automatisierte Spielereignis-Erkennung oder AED (automatic event detection) ist erst der Anfang dessen, was mit Skeletal Data möglich ist, so Weber. »Wir sehen uns in der Lage, völlig neue Daten zu generieren.« Darunter fallen beispielsweise Off-Ball-Events wie Läufe, aber auch die Erkennung jeder einzelnen Ballberührung mit Körperteil und Körperorientierung. »Durch softwaregestützte Korrelation und Aufbereitung der Tracking- und Ereignisdaten werden wir künftig ganz neuartige Produkte für die unterschiedlichen Stakeholder kreieren können, inklusive der Clubs und auch der Fans. Die (semi-)automatische Ereignisdaten-Erhebung ist ein erster sehr guter Use-Case unseres sehr ambitionierten 3D-Programms, das wir in der vergangenen Saison gestartet haben«, so Weber abschließend.