プロの内野守備はどこが違うのか

プロとアマチュアの内野守備の映像を AI に見分けさせ、その判断の根拠から、熟練度の差が現れる局面と動作を探る。

野球では、投球や打撃の動作解析が大きく進み、プレーを数値で評価することが当たり前になってきました。一方で、守備の動作、とくに内野手がゴロを捕ってから送球するまでの動きは、定量的な分析があまり進んでいません。指導の現場でも、「どこをどう直せばよいか」は指導者の経験や直感に頼っているのが現状です。

守備は試合の勝敗を左右する重要な要素です。そこで私たちは、映像だけから守備動作を数値で評価し、うまい選手とそうでない選手の違いがどこに現れるのかを明らかにする研究を進めています。対象は、試合の中で最もよく起こる守備機会の一つである、走者なしの場面で内野ゴロを捕球して一塁でアウトを狙うプレーです。

AI に見分けさせて、理由を聞く

この研究の考え方はシンプルです。まず、プロ選手とアマチュア選手の守備動作を見分ける AI を作ります。そして、その AI が「どの瞬間の、どの動きを見てプロだと判断したのか」を調べます。AI が注目した場所こそが、熟練度の差が現れているところだと考えられるからです(図1)。

図1:処理の流れ。映像から骨格を推定し、動作を表す特徴量の時系列を AI に入力する

プロ選手のデータには、MLB の中継映像を集めた公開データセット(MLB-YouTube Dataset)から、二塁手・三塁手・遊撃手が内野ゴロを処理するシーンを取り出して使いました。アマチュア選手のデータは、大学の軟式野球部員 4 名の協力を得て、シートノックの様子を独自に撮影しました。合わせて 207 本(プロ 105 本、アマチュア 102 本)の映像です。

映像には姿勢推定 AI を適用し、選手の3次元の骨格を推定します。ただし、1台のカメラの映像から奥行きを推定するため、骨の長さが場面ごとに伸び縮みするような誤差が含まれます。しかもこの誤差の大きさがプロ側とアマチュア側で異なっていたため、そのままでは AI が動作ではなく誤差の違いを手がかりにしてしまうおそれがありました。そこで、骨の長さを一定に保ったまま動きをなめらかにする前処理を加え、この影響を小さくしています。

意味のわかる特徴量を使う

骨格の座標をそのまま AI に入力することもできますが、それでは AI が何を見ているのかを人が理解しにくくなります。そこで、肘・膝・肩・股関節の曲がり具合、肩や股関節のひねり、体幹のねじれや前傾、両手の幅や足幅といった、動作としての意味を持つ 27 個の特徴量を定義しました。これらは関節の角度や、体の大きさで割った距離なので、選手の体格やカメラからの距離に左右されにくいという利点もあります。

この特徴量の時間変化を、時系列データを扱う深層学習モデル(LSTM)に入力して、プロかアマチュアかを判定させます。学習に使った選手とテストに使う選手は必ず別の人になるように分け、「その選手を覚えた」のではなく「熟練度を見分けた」ことを確かめられるようにしました。その結果、約 77% の精度で判定でき、骨格の座標(51次元)をそのまま使った場合の約 79% と統計的に差のない精度を、およそ半分の次元数で達成しました。

AI はどこを見ていたのか

学習した AI を調べたところ、次のことが分かりました(図2)。

図2:AI が重視した動作(左)と局面(右)

一つは、どの動作が判定に効いているかです。特徴量を一つずつ隠して判定精度の下がり方を調べると、右膝の角度の影響が突出して大きく、続いて左肩、右肘、両手の幅(腰幅との比)の順でした。対象の選手は全員右投げです。

もう一つは、どの局面が判定に効いているかです。AI が重視したフレームは動作の後半、送球に向かう局面に集中していました。この結果が本当に正しいかを確かめるため、重要とされたフレームから順に取り除いてみると、上位 30% を取り除いた時点で精度は約 67% まで下がりました。同じ数のフレームをランダムに取り除いた場合は約 79% を保っていたので、AI が頼りにしている局面を正しく取り出せていることが確認できました。

さらに、影響の大きかった特徴量をプロとアマチュアで比べると、実際に動きに違いが見られました。とくに右膝の角度は、プロでは送球に向かうにつれて大きくなる(膝が伸びていく)のに対し、アマチュアでは逆に小さくなるという、対照的な動きをしていました。また、両手の幅の違いは、これまでの研究では定量的に示されていなかったもので、AI の分析から新たな評価の手がかりが得られたといえます。

今後に向けて

今回のデータは、プロが中継映像、アマチュアが独自撮影と、カメラの位置が異なっています。前処理や特徴量の工夫でその影響を抑えていますが、完全には取り除けません。今後は撮影条件をそろえたデータで検証を進め、同じレベルの選手同士に共通する特徴と、レベルの違いによって現れる特徴とを切り分けていきます。将来的には、選手の映像から改善すべき動作を見つけ出し、具体的な改善策を示せる仕組みの実現を目指しています。

  1. 江本 健太, 田村 康将, 山本 雅人. “映像を用いた野球内野守備動作の熟練度分類と判断根拠となる局面・動作の抽出及び評価” 第5回スポーツ情報学研究会
  2. 江本 健太, 田村 康将, 山本 雅人. “野球における姿勢推定モデルを用いたプロ選手とアマチュア選手の内野守備動作の分類” 計測自動制御学会システムインテグレーション部門講演会 (2025)

他の研究テーマ

実試合から得点を予測する›
世界選手権などの実際の試合の盤面から、そのエンドが何点で終わるかの確率分布を、1投目から16投目まで予測する AI モデルを構築し、その振る舞いを詳しく分析。
AI に特定のデータだけを忘れさせる›
学習済みの AI から、指定されたデータの影響だけを取り除く Machine Unlearning。元の訓練データが残っていなくても、少数のデータを短時間で忘れさせる手法を研究。
カーリングの「勝負どころ」を数値で表す›
その一投が試合の勝敗をどれだけ左右するのか。野球の指標 Leverage Index をカーリングに導入し、ショットの前後での勝率の変化から一投ごとの重要度を定量化する。
試合記録からストーンの位置を読み取る›
世界大会の公式記録に載っている配置図から、AI がストーンの位置を自動で読み取る。20万局面を超えるカーリングの試合データベースを構築。
ゾウの眠りを AI が見守る›
動物園の夜間カメラ映像からアジアゾウの睡眠を自動で検出し、どのゾウの睡眠かを確認する飼育員の作業を大きく減らす。
少ないデータで AI の歌声を自然にする›
軽量な歌声合成モデルの出力を、本物の歌声に近づく方向へ少しずつ補正。少ない歌唱データと限られた計算資源でも、より自然な歌声を目指す。
ポーカーで駆け引きを学ぶ AI›
相手の手札が見えないポーカーで、ブラフを仕掛けてくる相手の出方を読み、受けるか降りるかを判断する AI。理論上の最適戦略とどこまで近づけるかを厳密に検証。
AI が作った肺音で AI を鍛える›
集めにくい異常な肺音を生成 AI で 10 万枚作り出し、小さくても雑音に強い肺音 AI を学習。大規模モデルの約 0.5% の大きさで同等の精度を達成。
AI がカーリングの戦術を考える›
世界大会の試合データ分析による戦術支援と、デジタルカーリングで戦うAI「じりつくん」の開発。
ボルダリングを AI が評価する›
半教師あり学習とホールド情報を活用し、オクルージョンに強いクライマーの姿勢推定を実現。
AIに悩ませる異常検知›
正常な肺音だけを学習したAIで異常音を検出。ノイズと区別する独自アルゴリズムも開発。
AIで動物の健康管理をする›
円山動物園のアジア象の映像から、位置追跡と行動分類を自動で行い日々の活動を記録。
絶滅危惧種の発情期を捉えろ›
九十九島動植物園のツシマヤマネコを対象に、発情期特有の行動をAIで自動判別。
普段と異なる異常の兆候を知る›
普段の行動データから学習したモデルで、いつもと異なる異常の兆候をいち早く検知する。
AI も錯視を起こす›
色の恒常性を学習したニューラルネットワークで「ドレスの色の錯視」を再現。

研究テーマ一覧へ ›

共同研究・研究室見学のご相談はこちら

問い合わせ ›