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。

カーリングの戦術を分析したり、カーリング AI を賢くしたりするには、実際の試合で「どんな配置のときに、どんなショットが選ばれ、結果がどうなったか」というデータが大量に必要です。なかでもストーンの位置は重要で、ほんの少し位置が違うだけで選ぶべきショットが変わります。

世界選手権やオリンピックなどの大会では、すべてのショットを記録した公式の記録集(Results Book)が PDF で公開されています。試合やショットの情報は文字で書かれていますが、ストーンの位置は一投ごとの「配置図」として、画像で載っているだけです。つまり、そのままではデータとして使えません。

大会ごとに違う配置図

これまでは、配置図からストーンの色を手がかりに輪郭を取り出す方法が使われてきました。しかし、配置図のデザインは大会によって異なります。ハウスの色も、ストーンの描き方も、黄色の色合いも少しずつ違うため、新しい大会のデータを取り込むたびにプログラムを書き直す必要があり、大規模なデータを集めるうえでの大きな壁になっていました。

そこで私たちは、大会ごとの違いに左右されない方法として、画像の中から物体を見つける「物体検出」の AI を使うことにしました(図1)。

図1:公式記録から試合データベースができるまで

少ない正解データで学習する

物体検出の AI を学習させるには、ふつう、人が画像の一枚一枚に「ここにストーンがある」という正解を付ける必要があります。この手間を減らすため、まず 50 枚だけ人が正解を付けて AI を学習させ、次にその AI が自信を持って検出できた結果を新たな正解(擬似ラベル)として加えて、もう一度学習させる方法をとりました。自信の度合いにしきい値を設けることで、誤った正解が混ざらないようにしています。

新しい大会の配置図に対しても、同じ方法が使えます。ある新しい大会の画像にそのまま適用すると誤検出がいくつか出ましたが、その大会の画像から作った擬似ラベルで追加の学習をすると、試験用の画像ではすべてのストーンを正しく検出できました。プログラムを書き直すことなく、AI 自身の検出結果を使って新しいデザインに適応できるということです。

どれくらい正確か

20 大会、約 10 万 8 千枚の配置図を対象に評価しました(図2)。

図2:主な結果

正確さは、「1 枚の画像の中のストーンをすべて正しく検出できたか」という厳しい基準で測りました。10 万枚すべてに人が正解を付けて確かめることはできないので、AI が間違えやすそうな画像を重点的に選んで確認する方法(アクティブテスト)で全体の正解率を推定したところ、99.37% でした。

位置の正確さも調べました。正しい位置が分かっている画像を人工的に作って検出させたところ、中心位置の誤差は平均 0.47 ピクセルでした。実際の大きさに直すと約 0.76 cm で、ストーンの半径の 20 分の 1 ほどです。画像の 1 ピクセルより細かい位置はそもそも表現できないことや、配置図自体が記録員の目視で作られていることを考えると、この記録から得られる精度としては十分といえます。

20万局面のデータベースへ

この AI で読み取ったストーンの位置を、記録集に書かれている得点やショットの種類などの情報と組み合わせて、試合データベースを構築しています。論文の執筆時点で、31 大会・205,364 局面のデータが集まりました。

このデータベースは、当研究室の他のカーリング研究の土台になっています。たとえば、実際の試合の盤面だけを使って期待得点分布を予測する AI を学習させる研究では、このデータベースから取り出した盤面を使っています。

今後は、新しい記録集が公開されたら自動でデータベースに取り込める仕組みを整えます。また、記録集が作られない大会も多いので、試合の映像からストーンの位置を読み取る技術にも取り組んでいきます。

  1. Kei Suzumura, Yasumasa Tamura, Shimpei Aihara, and Masahito Yamamoto. “Extraction of Stone Positions from a Sheet Image for Curling Match Database Construction.” Applied Sciences, 16(7), 3453 (2026)

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。
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。
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 ›