Funktionen – WithoutBall

2,4 Mio.+Datenpunkte pro SpielZiel25 fpsEchtzeit-TrackingZiel92 %Prognosegenauigkeit21Skelettgelenke pro SpielerPosenschätzungAnalytik im SaisonmaßstabAntworten mit VideoevidenzTaktische Musteranalyse

Plattform-Ziele

2,4 Mio.+Datenpunkte pro Spiel

21Skelettgelenke pro Spieler

25 fpsPose-Inferenz in Echtzeit

92 %Prognosegenauigkeit

Prototyp

Sehen

Computer Vision

Posenschätzung

Broadcast-taugliche Pose-Inferenz für mehrere Spieler mit Ziel 25 fps – 17 detektierte Keypoints pro Spieler, überführt in unser 3D-Skelett mit 21 Gelenken, stabilisiert für echtes Spielmaterial und als Fundament für alle nachgelagerten Modelle.

Prototyp

Sehen

Rekonstruktion

Skelett-Reparatur & 2D→3D-Lifting

Echte Tracking-Daten sind unvollkommen: Gelenke fallen aus, Verdeckungen zerschneiden Sequenzen, 2D-Detektionen tragen Rauschen. Das Foundation Model repariert all das in einem Forward-Pass – entrauschte Skelette mit gefüllten Lücken, aus flachen 2D-Videokoordinaten in konsistente 3D-Bewegung überführt.

Prototyp

Verstehen

Deep Learning

Bewegungs-Signaturen

Kompakte Bewegungs-Signaturen für das Spiel ohne Ball – entworfen, um Rollen, Stile und Tendenzen über Ligen und Saisons hinweg zu vergleichen.

Prototyp

Verstehen

Embedding-Raum

Skalierbares Spieler-Profiling

Die Bewegungs-Signatur jedes Spielers in einem gemeinsamen Raum. Scouting wird zur Ähnlichkeitssuche: „Finden Sie Spieler, die sich so bewegen wie dieser.“

Forschung

Verstehen

Re-Identifikation

Identität aus Bewegung

Bewegungsstil ist eine Signatur: Gangbild, Beschleunigungsgewohnheiten, Koordinationstiming. Eine Forschungsrichtung, um einen Spieler allein an seiner Bewegung wiederzuerkennen – über Kameras hinweg, über Trikots hinweg, wenn Rückennummern unlesbar sind.

Prototyp

Verstehen

Retrieval Engine

Bewegungssuche in großem Maßstab

Finden Sie „jedes Mal, wenn ein Innenverteidiger im Eins-gegen-eins ausgespielt wurde“ über ganze Saisons hinweg – ohne manuelles Tagging; die Abfrage ist die Bewegung selbst.

Prototyp

Verstehen

Mustererkennung

Taktisches Fingerprinting

Spielstile, Formationen und Umschaltphasen automatisch charakterisieren – ohne eine einzige menschliche Annotation. Gegner vergleichen wie mit einer Datenbankabfrage.

Prototyp

Verstehen

Unüberwachtes ML

Taktisches Clustering

Unüberwachte Entdeckung von Defensivblöcken, Pressing-Schemata und Umschaltphasen – Muster gruppieren, ohne ein einziges von Hand gelabeltes Event.

Forschung

Antizipieren

Prognose

Prädiktive Läufe

Kurzfristige probabilistische Prognosen (2–3 s) in der Forschung: Läufe, Hinterlaufen und Pressing-Auslöser sichtbar machen, bevor sie passieren – als Wahrscheinlichkeiten, nicht als Gewissheiten.

Forschung

Antizipieren

Biomechanik

Verletzungsrisiko-Signale

Biomechanische Drift kann Wochen vor klinischen Symptomen sichtbar werden. Ein Forschungsprogramm, um sie früh zu erkennen – jeder Athlet gemessen an der eigenen Baseline, mit Schwellenwerten personalisiert pro Spieler, Rolle und Belastung.

Forschung

Antizipieren

Rehabilitation

Return-to-Play-Monitoring

Rehabilitation, gemessen an der eigenen Baseline des Athleten vor der Verletzung: Asymmetrie, die sich Woche für Woche schließt, zurückkehrende Koordination, wieder aufgebaute Belastungstoleranz – ein Forschungsprogramm für evidenzverknüpfte Fortschrittsberichte.

Roadmap

Antizipieren

Leistungswissenschaft

Einsatzbereitschaft

Auf der Roadmap: Intensitäts-, Koordinations- und Erholungsmarker, gebündelt zu einer transparenten Bereitschaftsansicht – für Trainingssteuerung und Aufstellungsentscheidungen.