加拿大 Waterloo 大学工程学院的硕士研究生 Liam Salass 开发了一套基于人工智能的系统，显著提升了从比赛视频中追踪冰球位置的准确性。该研究团队利用计算机视觉与系统设计领域的优势，推出了两项创新AI技术，可无需昂贵设备即可实现对冰球比赛的精准分析，推动了自动化体育数据分析的发展。 其中一项名为“基于上下文线索的冰球定位系统”（PLUCC）的AI模型，巧妙利用球员在比赛中通常紧盯冰球的视觉习惯，通过分析球员身体姿态和视线方向来推断冰球位置。实验表明，该系统将冰球定位准确率提升了12%，定位误差减少超过25%，远超现有技术。研究团队表示，这项技术尤其适合中小球队和业余联赛，为缺乏昂贵追踪系统（如Hawk-Eye）的机构提供了低成本、高可行性的解决方案。 “我们的目标是让冰球追踪不再依赖百万美元的设备，”Salass表示，“如果教练仅靠普通视频就能分析比赛，那对体育数据分析的普及将是一大进步。能用AI让计算机真正‘看懂’比赛，这种成就感无与伦比。” 另一项名为 SportMamba 的AI框架则专注于多球员动态追踪。该系统采用状态空间模型，能够实时预测球员运动轨迹，有效应对比赛中常见的快速移动、镜头遮挡和摄像机角度变化等问题。在足球、篮球和冰球视频上的测试显示，SportMamba 在追踪准确性和效率上比现有方法高出最多18%，尤其擅长在激烈对抗场景中区分球员动作，例如判断谁完成了关键的射门或挡板。 “追踪一次快攻中的球员很容易，但要在球门区或边线的混战中准确识别每个人，才是真正的挑战，”项目负责人、系统设计工程教授 John Zelek 说，“SportMamba 能做到这一点，甚至能告诉我们是谁完成了关键的击球。” 相关论文《冰球比赛中的基于上下文线索的冰球定位》和《SportMamba：基于状态空间模型的自适应非线性多目标追踪》已提交至2025年IEEE/CVF计算机视觉与模式识别研讨会，并发布于arXiv预印本平台。这些成果有望为教练战术制定、媒体转播和运动员表现分析带来深远影响。