-足球人工智能探讨课题「足球人工智能探讨」

足球人工智能探讨课题「足球人工智能探讨」

摘要

足球是激烈的团体运动,特别需要数据来说话。无球队员1秒钟有32种跑位方式,持球队员则有更多可能(例如触球的部位、带球的节奏、传球的方向等);11人足球场上触球、带球、传球、跑位等每秒则会有 11^32 次方组合变化,远超过地球原子数量;1分钟的变化则超过宇宙粒子之和。触球在毫厘之间,跑来跑去的22名球员与飞来飞去的足球产生的人球结合数据获取及其困难;5G网络的发展,芯片创新和边缘计算、云计算、终端计算等算法算力的提升为实现AI赋能足球带来新的契机。

引言

足球是世界第一大运动,全球足球人口数以十亿计,足球也已上升为中国的国家战略,但目前99%的球员、球队没有任何人球数据。国外顶级比赛用多台热成像高速摄像机获取人球数据,使用复杂、价格高昂还需要大量人工介入;其它如护腿板、背心、手环、脚环等基于GPS、六轴加速器等解决方案,存在使用不便、传触球数据不准或人球数据严重缺失等问题。足球鞋连着人和球,理论上是精准人球数据的钥匙,基于此,应用人球感知、柔性电路、AI算法等技术,驱动智能比赛、智能青训、远程训练、体感训练等多元化场景,即便教练、时间、场地、兴趣等某些条件不足,也能提高水平,提升趣味性等需求,现在全球各行业都在拥抱人工智能,AI 足球也必将促进足球运动的跨越式发展。

1 基于深度学习运动姿态识别

因为微队AI智能足球鞋数据来自于人球感知模块和加速度陀螺仪模块等,而运动的姿态的识别很大程度依赖于时序序列模型。获取的运动员的运动数据在很大程度上体现了非常强的时间特性。而RNN和LSTM等众多先进的深度学习模型对于网络的记忆机制有很好的支持,能克服短期记忆和长期记忆在模式上不一致的问题。特别是LSTM的遗忘和记忆因子和输入的可迭代的优化机制。能提取运动数据的关键特征,对于体现运动特性的显著特征进行加权,而遗忘长期和短期记忆中的非表达范式特征。

如图1所示微队AI足球鞋运动数据基于的LSTM模型。加速器和陀螺仪构成多维的数据输入,根据运动的时间窗口,制定特定的符合应用需求的窗口滑动策略。使得模型的参数和实际应用场景能协调一致。在优化过程中,依据训练收敛度和测试的拟合度反复调整神经元节点、LSTM步长。目标是最优化动作识别分类精度。

图中,Xi为输入序列,为n维的加速器陀螺仪数据。下标表示时间点。Sj表示状态序列,为上一时刻点。Wn表示隐藏层的神经元变量。output layer是模型输出,也是优化的目标层。在本文中,output层作为运动姿态的分类基准。

图1 运动动作识别LSTM模型

公式1

损失函数设计对模型的表现效果至关重要。如公式1所示为LSTM的损失表达式。本实验采取十分常用的均方误差损失,平方损失也可以理解为是最小二乘法,一般在回归问题中比较常见,最小二乘法的基本原理是:最优拟合直线是使各点到回归直线的距离和最小的直线,即平方和最。同时在实际应用中,均方误差也经常被用为衡量模型的标准。

2 基于边缘计算的姿态识别和计步距离算法

在最初阶段,姿态识别算法以云计算为运作框架。算法的最大考量是模型的召回率和精确率所表征的PR曲线。在PR上达到最优以及最佳的均衡输出。模型训练数据的清洗和数据的多质性对模型的预测性能有很大的映射关系。同质化的数据和小规模数据集会带来过拟合风险。网络的神经元的设置过于丰富也会导致模型的表达能力过于强大,从而造成训练和推理的度量存在倒挂。

云计算对于传输速率和客户体验带来很大的挑战。网络不稳定造成的传输失败和反复重连可能导致客户大面积流失。基于当今边缘计算的大趋势大发展,芯片级的算力大幅度提升。程序由软转硬是边缘计算的基础。而模型的细粒度转化,浮点数模型向单字节模型的转化,等等方面都造就边缘计算的成熟和应用。

在姿态识别方面,采用机器学习方式能降低底层芯片的算力和空间需求,只需要通过训练获取到算法相关量级的参数,直接引用到程序的底层数据库中。在该实践中,运用的各种单模算法或多模算法融合,将逻辑回归,树,SVM等进行整合。是一个切实可行的边缘计算尝试。

逻辑回归实际上是做分类而不是回归,可以说是广义的回归。前面讲的线性回归的预测输出θTx,将该值代入到上式的变量z,就是逻辑回归的输出了。即:

之前的输出可以说没有受到任何约束,等于多少就是多少,但现在将输出值限制到了区间[0,1]。θTx越大,则预测的值越接近1,θTx越小,则预测的值越接近0。这样就实现了2分类。

在优化时,从直观的角度思考,如果某样本的实际分类是1那么,hθ(x)越接近1则预测成功率越高。如果某样本的实际分类是0那么,hθ(x)越接近0则预测成功率越高。通过最大化似然函数则可以得到最优解。单个样本的预测成功率:

所有样本预测成功率相乘能达到最大值则说明总体的成功率越高。总体的预测成功率,则是最大似然率。

为了方便计算,将上式取对数

然后通过梯度下降计算其最大值,则可以获得相关的优化参数了。

SVM学习的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。如下图所示,ω.x b=0 即为分离超平面,对于线性可分的数据集来说,这样的超平面有无穷多个(即感知机),但是几何间隔最大的分离超平面却是唯一的。

满足该条件的决策边界实际上构造了2个平行的超平面作为间隔边界以判别样本的分类:

按统计学习理论,分类器在经过学习并应用于新数据时会产生风险,风险的类型可分为经验风险和结构风险:

式中f表示分类器,经验风险由损失函数定义,描述了分类器所给出的分类结果的准确程度;结构风险由分类器参数矩阵的范数定义,描述了分类器自身的复杂程度以及稳定程度,复杂的分类器容易产生过拟合,因此是不稳定的。若一个分类器通过最小化经验风险和结构风险的线性组合以确定其模型参数:

则对该分类器的求解是一个正则化问题,常数C 是正则化系数。当p=2 时,该式被称为L2正则化或Tikhonov正则化(Tikhonov regularization)。SVM的结构风险按p=2表示,在线性可分问题下,硬边界SVM的经验风险可以归0,因此其是一个完全最小化结构风险的分类器;在线性不可分问题中,软边界SVM的经验风险不可归0,因此其是一个L2正则化分类器,最小化结构风险和经验风险的线性组合。

数据清洗和特征提取是体现模型效果的重要因素。原始数据在复杂的环境下表现出很大的漂移特性,突变性。采用自适应对齐和滤波器进行清洗时在类型选择和因子的设定上都要依据应用进行网格化、迭代化、渐进化的寻优。特征选择要从时域和频域两个维度考量。时域信号的表达性较强,但稳定性较差,频域特征的可解释性较差,但稳定性高。有量纲量有均值,方差,均方根,峰值,无量纲量有峰值因数,峭度,脉冲因子,波形因子。频域特征有重心频率FC,均方频率MSF,均方根频率RMSF,频率方差VF,频率标准差RVF。除了单一的时域或频域特征,还有时频域特征如小波系数,小波包能量,Hibert谱,边际谱。

基于符号主义在边缘计算方面有一定的优势,因为边缘硬件算力和储存方面的限制。效果也是非常明显,无论是召回率还是精度都能表现优异。仅需少量的数据即可满足计算的要求。但有个较大的劣势,泛化能力差,模型的通用性能差。而基于深度学习的边缘计算,从模型结构和数据表示方面都能适应物联网范畴的ai植入。在模型结构上,减少模型的层数,而如何达到最优的模型层数则是一个比较复杂的问题,可以由经验设定然后进行小粒度的调整,也可以采用自适应优化的方式,或者两者相互结合。参数则包括模型的层数,卷积核大小,卷积步长,全连接层的节点个数等。在模型预测时,速度也是非常大的一个考量。在数据表示层面,主要有基于二进制的数据表示,uint8整形数表示等。在权衡精度和模型存储上进行博弈。达到符合实际应用场景的综合解决方案。深度学习因为有较好的拟合度,而且自己获得的数据量也有限,如果模型的拟合度过高,可能导过拟合。所以在训练时要尽可能增加数据量以及数据多多样化。在运动姿态算法中,要尽量采样更多的人员数据。在模型设计中,也要将模型设计和数据量进行匹配。

3 足球运动决策系统

类似Alpha_go的人工智能体系,足球运动也是有着类似的体系结构的竞技场景。Alpha_go通过穷举几乎所有专家级对弈过程的复盘来学习。通过最终的胜利还是失败,来反推从第一手到最后一手的每步的打分,如果旗手获得胜利,其走过的每一步都是得分,而如果失败,则其每一步都是减分。在整个棋局中,有吃的情况出现时,其前面的相应的数个步数也是得分。通过将所有的棋局输入进庞大的深度学习网络,则ai智能体能根据目前的棋盘的布局推断下一手的落子在哪。这就是Alpha_go的核心的强化学习思想。

图2 强化学习基本模型

Agent与环境进行交互时,在每一时刻循环发生如下事件序列:

(1)Agent感知当前的环境状态;

(2)针对当前的状态和强化值,Agent选择一动作执行;

(3)当Agent所选择的动作作用于环境时,环境发生变化,即环境状态转

移至新状态并给出奖赏(强化信号,);

(4)奖赏(强化信号r)反馈给Agent。

足球和Ahpha_go不同的是,智能体从原来的1个变成了11个(10个队员1个守门员)。这样给足球AI自决策机制提出了巨大的挑战。无论从算力还是数据存储上都是围棋的数倍甚至数百倍的。另外一方面,围棋的数据很容易从历史数据中得到。而真实的足球运动只能得到一些视频数据,这些视频数据还要转化为每个运动员的实际位移数据才能为模型所理解。

例如一场足球比赛中,采集的数据量主要来自两方面的变化,一方面数据采集传感器(加速度、陀螺仪),规定数据采集传感器加速度、陀螺仪的采样率为f,加速度、陀螺仪采样值为每个轴(加速度X轴,Y轴,Z轴,陀螺仪X轴,Y轴,Z轴)2字节,因此一次采样值为12字节(6X2),依此推算每一秒加速度、陀螺仪采样值为f*12;另一方面为比赛双方的运动员人数以及运动的方向性,如规定每队运动员人数为n人,每一个时刻运动员运动的方向定位8个(按以运动员为中心,顺时针每变化45度范围为1个方向,如下图示意黑色实心圆为运动员)方向,因此在每一个时刻场上运动员的方向变化为:(2*n)^8 。

根据以上两方面的定义每一秒传感器采集的数据为:(12*f)(2*n)^8 字节。

如一场比赛的时间为90分钟,双方每队队员n为11人,传感器采样率f为50赫兹(每秒采集数据50次),则按照规定采集到的数据至少为:90*3600*12*50*字节。这只是加速度、陀螺仪一个传感器的数据,只包含部分数据,如果结合一些其他传感器的数据,这个数据量将变得更加庞大。所以数据层面是最难实现的,如果不从历史数据中提取,则要使用随机运动数据生成。随机数据生成要加入规则,否则就失去了意义。规则需要由足球运动方面的专家进行辅助设计。比如,两个同组的队员不可能总挨在一起跑动。对抗的运动员直接会有意识地进行身体对抗。 深度学习网络通过学习到大量的随机的竞赛数据,最终形成了一个决策系统,每个队员都可以根据目前的场景进行决策,包括如何跑动,如何传球,最终获得胜利。

强化学习的任务就是学习从状态空间到动作空间的映射,其本质就是用参数化的函数来逼近“状态一动作”的映射关系。强化学习中常用算法如Q一学习、TD学习、Sarsa学习的一个共同特点是仅对值函数进行估计,动作选择策略则由值函数的估计完全确定。同时进行值函数和策略空间逼近的泛化方法基本上都是采用Barto提出的自适应启发评价方法(AHC)。该方法在处理具有连续状态空间的问题时,将连续状态空间划分为确定数量的子空间,子空间之间不进行泛化,因而会产生状态组合爆炸,即“维数灾难”问题。因此需要采取量化的方法,将连续输入空间变为离散输入空间,以降低输入空间的复杂度。本文采用归一化径向基函数(NRBF)作为局部函数逼近器用来表示连续输入状态空间并提出了一种基于NRBF的自适应状态空间构建策略。

Agent是对人类个体的仿生,而多Agent系统是对人类社会的仿生。由于学习、交流和协作是人类的本质特征,所以对多Agent系统中的分布式强化学习问题的研究具有重要意义。现有的分布式强化学习方法还存在着结构信度分配困难、学习速度慢等缺陷,这些缺陷大大限制了分布式强化学习方法的应用范围。本文也对分布式强化学习理论进行了系统地研究,并对其存在的部分问题提出了初步的解决办法。强化学习算法的目的就是寻找一个策略π,使得每个状态s的值ν^π(s)(或Q^π(s))都同时达到最大。即:

设法寻找一个策略π:S->A,能够最大化每个状态的值:

其中,γt表示在时刻t的立即奖赏, γ (γ[0,1])为衰减系数。

ν*(s)和Q*(s,a)称为最优值函数。相应的最优策略为:

本章中,针对采用联合动作的强化学习算法由于学习空间增大而收敛速度过慢问题,提出了一种改进的分布式Q学习算法,它可以根据概率统计的方法来学习其它Agent的策略并降低空间维数,概率统计的目的是为了预测其它 Agent 在某种环境状态下会采取什么样的动作,从而帮助Agent做出更好的行为选择,达到更快的协作。围捕问题的仿真结果证明了该算法的有效性。

4 多场景足球AI比赛和AI训练

日常户外比赛,AI足球系统可获取等数百项人球数据,包括触球、跑动、盘带、配合、热区等;球员或教练可选择自己关注的数据,有针对地改进和排兵布阵,数据也可以在社交媒体分享,提升乐趣;日常生活简单的跑步数据大家都晒得不亦乐乎,何况是千变万化、激烈对抗、特别在乎胜负、上场时间和表现的足球运动。

户外智能青训,几十个孩子一上场,要求的动作有没有做,做了多少次,做得质量如何,教练根本看不过来,智能足球青训系统可帮助教练自动跟踪每个球员所有训练动作并形成评估分析;远程智能青训场景下球员则可实现在任意时间、任意地点、随时随地下载全球名师课件进行训练,同时教练可远程派发课件获取球员训练数据。

无教练的室内训练模式成为趋势。室内体感训练场景下,球员可将手机智能课件投屏电视,穿上AI球鞋即可边看边练,系统自动打分,教练也可远程进行指导,家里的客厅将成为孩子最温暖的球场,无论是冰岛的冬天或者三亚的夏天,不受风吹日晒雨淋也可实现球技球感提升。在虚拟现实体感游戏中,AI球鞋则相当于游戏手柄,球员穿上AI球鞋,电视中的游戏人物与球员动作保持一致,在家中享受全感官足球游戏体验与顶级球星“面对面真实互动”,不仅锻炼了身体也享受到了足球运动带来的无限乐趣。

疫情蔓延期间,职业俱乐部空场比赛损失严重;由于俱乐部平常和球迷的链接只有门票以及球衣、围巾等简单的“纺织品输出”,AI足球系统不仅可以帮助俱乐部低龄梯队智能训练,还可以把俱乐部优秀的训练课件固化到云端,向数以万计甚至百万计的的球迷以及球迷的孩子输出,表现不错的球迷可以参见现场训练或者获得重要比赛球童的机会,大大增强了俱乐部和球迷的连接;借助数字化和智能化手段,俱乐部可由“纺织品输出”向“技术输出“转型升级。

5 总结与展望

AlphaGO颠覆了围棋,人类的最高水平是九段,AlphaGO不是九段,也不是十段,它是十八段;足球的动态变化远超围棋,只要传接球以及配合合理,理论上每次进攻都能带来一个进球,足球人工智能在全球来看还是无人区,足球运动的数值化、云化和AI化是即将到来的革命,10000小时学习定律也可能因AI加持而被打破。随着芯片、电路、算法等技术的不断迭代升级,用AI指导球员训练和比赛,打造AlphaFootball或许在某一天也可以实现!

今日头条36氪相关报道

微队AI足球实验室

超智能足球球队资料

赤足队  潜龙(Myth):  新一代的超智能足球员,由于是新研发产品,AI部份常有失缺情况出现。并且是唯一拥有如人类情绪及斗志的超智能足球员,这使他能够在紧张关头发挥超常的水平。拥有非常强大如同黑洞一般的潜能。高文原意是将他交给烈巴男爵,由他带领潜龙到世界赛,以协助高文阻止史博士的计划,但意外下,潜龙落入高迅手上,这重任便落在高迅身上。经过多场赛事合作,高迅与潜龙已成为最佳的搭挡,潜龙的表现更会受高迅的情绪影响,当二人斗志激昂时,往往能创造出意想不到的奇迹。  进队原因:刚出场时出色的表现以及高迅对爸爸的承诺  绝招:火焰射球、变速盘球、烈焰射球(曾因此耗尽所有能源而无法继续比赛)倒挂火焰射球(VS列巴时出现)、超级火焰射球=烈焰射球(也是VS烈巴时出现)、最强的火焰射球=烈焰射球(第52集VS修罗门出现)  位置:前锋  号码:11号  搭档:高迅  球员类型:强攻型  核能(Dynamo):  赤足队队长,核能是一个很全面的中场球员,冷静和坚毅。他卓越的领导能力让球队联系在一起。核能是赤足队的灵魂人物,担任中场指挥官角色,负责控制进攻节奏,与潜龙和流星策动进攻,也会与铁甲和影眼一起协调防守。经过无数的赛事后,核能的绝技全方位拦截进化得更全面。领队奥尼对核能宠爱有嘉,悉心培训,使核能成为全能的中场战士!  进队原因:攻守兼备,领导力强  绝招:全方位拦截、全方位盘球  位置:中场  号码:10号  搭档:简·奥尼  球员类型:攻守兼备型  流星(Satellite):  流星拥有令人惊讶的高速盘带技术。极度最快,斩波落点极准,一名插花王,爱炫耀脚法。他喜欢使用复杂的运球技巧摆脱对手。负责边线推进,突破防线等任务。流星也是潜龙的进攻助手,往往在突破防线后把球传给潜龙,制造入球机会。可惜灵活的身体经不起强硬拦截和极速的考验,流星的脚受伤后一直都影响其比赛,直到高迅利用高文送给他的新脚为流星改装,流星的脚伤便完全治好了,脚部性能比以前更提升了不少。  进队原因:拥有令人惊讶的高速盘带与运球技巧  绝招:引力盘球、卫星盘球、流星轨迹、引力战车铲球(流星+铁甲)  位置:翼锋  号码:7号  搭档:花王  球员类型:强攻型   疾电(Swift):  </b>赤足的自由人,虽然是第五代超智能足球员(后被升级为第6.2代),但却拥有让对手咋舌的速度,身手十分灵活。有高超的射门技巧,善于从各个角度,甚至是球场死角射进对方球门。体力较弱,但具有偷球能力,有“球场扒手”的称号。但由于能源不足,经常打哈欠,而且不能完成整场比赛。疾电在对阵森巴队的比赛中,因超负荷运作导致自身零件受到严重损坏。被换上6.2代磁心处理器和液晶储存器后,能力已与其他球员无异,并在亚洲赛上代替核能出场  进队原因:帅气(猫猫的看法)、超角度的射球(整个球队认为)  绝招:零角度射球(自己爆发出的绝招)、极速疾走  位置:自由人  号码:18号  搭档:猫猫  球员类型:攻守兼备型  铁甲(Titan):  是一名高大、身材魁梧、身体相对灵活、且拥有强劲力量的后卫,驻守着赤足后防的可靠球员。(这是肥宝最注重的能力,因为他真人实在比较笨钝)因铁甲是赤足队中力量最强的球员,所以非常适合进行拦截和抢点的工作。其得意绝技为战车铲球。面对各个强大的对手,铁甲都不会逃避,以最坚定不移的心和最强硬的身体驻守赤足后防的重要位置!铁甲是赤足一名不可缺少的猛将。  进队原因:拦截力强  绝招:战车铲球、军舰铲球(曾将幽灵火焰射球挡出)、引力战车铲球(流星+铁甲)  位置:后卫   号码:4号  搭档:肥宝  球员类型:防守型  影眼(Shadow):  拥有优秀的跳跃能力,快速的反应和观察能力。往往能看穿对手的动作再做出恰当的防守技巧。影眼就是赤足队的最后把关,负责尽力抵挡所有射门。他曾经是010的超智能足球球员,但在三年前因抗命被丢弃而导致左眼失明。然而奥尼没有放弃影眼,相反,十分器重与信任他。影眼对奥尼的指令从不怀疑,奥尼也十分相信影眼的扑救能力。跳跃力强,反应极快,擅长观察射门球员的姿态辨别射门方向。虽然看似桀骜不驯,但对奥尼的命令绝对服从,永不与奥尼争吵。  进队原因:球员的直觉(指真正的球员)被奥尼认可,还有很强的跳跃和观察能力。   绝招:残影扑救(使用后会暂时失明三分钟)  位置:门将  号码:1号(后改为12号)  搭档:简·奥尼  球员类型:防守型  战盾(Shield)  影眼走后加入的新球员(51集影眼、核能回来了),原神盾队的门将。经过奥尼和影眼的悉心栽培后,对防守球门的反应和技术都有了大幅度的提升。在暂代影眼的守门员位置时,先后为赤足扑救无数惊险的来球,令赤足各人对后防大为安心。但是战盾的状态会受到领队杨聪缺乏信心影响,举棋不定。当领队杨聪信心十足,心神合一时,战盾已经是一位合格的国家级守门员。  进队原因:赤足队缺少门将,而战盾是奥尼亲自培训的  绝招:神盾(意外爆发的绝招)  位置:门将  号码:1号  搭档:杨聪  球员类型:防守型  临时球员:冰峰(门将)冰峰(中场)赤足惊人表现  第五集:充分利用场地   第七集:破解镜战术  第九集:使用与大黄蜂队相同的三角战阵  第十集:将三角战阵更改为四棱形战阵  第十一集:使用诱敌之计  第十二集:利用盾的反弹性射门  第十五集:破解障眼法  第二十五集:为抵抗诺曼底战阵,竟让影眼冒着空门的危险一起来作战  第三十集-第三十二集:快乐足球的真谛  第四十二集:摆出和探戈队一样的玫瑰阵势并成功追回比分  第五十一集:破解幽灵战阵
其它球队:   柏亚斯队:核能(中场)、影眼(门将)、眼镜蛇(前锋)、滑翔(后卫)、野马(后卫) 领队:简·奥尼、艾姆  一清队:天网(异漩涡 中场)、旋风(异漩涡 翼锋)、雷霆(异漩涡射球 前锋)、反射(异漩涡 门将)、迅雷(异漩涡 后卫) 领队:连城  大黄蜂队:蜂巢(门将)、冲锋(蜂群叠影射球 前锋)、刺针(黄蜂尾上针 后卫)、冷蜂(蜂群叠影射球 翼锋)、破蜂(蜂群叠影射球 翼锋) 领队:聂天高、小华  神盾队:封阻(门将)、截击(后卫)、御军(后卫)、破裂(后卫)、空中霸王(中场) 、战盾(门将) 领队:神盾五子  魔法幻影闪闪队:巫师(门将)、轰炸(后卫)、毁坏(后卫)、火石(闪星射球 翼锋)、火花(闪星射球 翼锋) 领队:威廉、威利  飞轮队:铁面(门将)、猎鹰(翼锋)、渗透(翼锋)、毁坏(后卫)、复刻(复刻术 前锋) 领队、卓凤、卓龙  军狼队:雷达(门将)、司令(狙击轨迹 中场)、重炮(狙击射球 自由人)、导弹(导弹射球 自由人)、鱼雷(鱼雷射球 自由人) 领队:古勒上校、保罗少将、基荣少校  恶魔之名队:盖世太保(扑灭冲击 门将)、爆破(中场)、歼灭(鬼弧射球、鬼潜拦截 中场)、破坏(鬼影镰刀脚、二段鬼影镰刀脚 后卫)、黑帝(鬼龙卷射球、鬼龙卷盘球、鬼眼射球 中锋)领队:烈巴男爵、010、13、66、91  巴西森巴队:飞沙(中场)、龙卷(十字架扑救 门将)、圣极龙(中场)、钢铁(森巴魔术脚、极地急转 后卫)、无极(超级龙虾吊射、森巴香蕉射球、曲坠弹地射球 中锋) 领队:迪美奥、加度、里奥  英格兰三狮队:金汤(弯月扑救 门将)、狮吼(弯月长传 后卫)、城堡(弯月射球 后卫)、穿云剑(弯月拦截 后卫)、新月(半弯月传球 后卫)领队:尼尔逊、巴菲斯  阿根廷探戈队:荆棘(门将)、恕剑(毒藤拦截、毒藤传球 中场)、核心(玫瑰盘球、玫瑰毒藤拦截、花粉射球 前锋)、尖刀(毒藤拦截、毒藤传球 中场)、藤蔓(毒藤拦截、毒藤传球 后卫) 领队:干沙利斯  日本飞鸟队:铁羽(门将)、天火(天鸟斩 翼锋)、凤凰(天鸟斩 翼锋)、鹰爪(天鸟斩 翼锋)、隼(天鸟展翅、天鸟滑翔、剑道连击波[二刀撩] 自由人) 领队:火野雄一、渡三郎  新加坡多哈哥队:冻结(门将)、火焰(后卫)、电极(狮爪拦截 火狮爪阵<电极+青石+汉雷> 中锋)、青石(火狮头槌 前锋)、汉雷(火狮头槌 前锋)领队:范帅  浅三亚修罗门队:克隆战盾(黑暗神盾 门将)、克隆流星(黑暗引力盘球、黑暗引力战车铲球<流星+铁甲> 翼锋)、克隆核能(黑暗全方位拦截黑暗全方位盘球 中场)、克隆战盾(门将)、克隆铁甲(黑暗战车铲球、黑暗引力战车铲球(流星+铁甲) 后卫)、克隆疾电(黑暗零角度射球,自由人)、复刻(幽灵火焰射球、幽灵盘球、幽灵战阵<和其余3人配合使出> 、幽灵射门,中锋)克隆影眼『门将』 领队:卓龙
就这些了

超智能足球简介

《超智能足球GGO》是一部将「足球竞赛」、「未来科技」与「搞笑」 结合于一身的少年励志动画。 剧情简介:科技发展一日千里,足球竞赛进入了前所未有的AI年代——只得手掌般大小,却拥有尖端AI智能的足球机械人GGO诞生了!全球球迷趋之若鹜!纷纷成立自已的GGO足球队,誓显自己的领军才能! 13岁的故事主人翁高迅,意外得到由GGO专家父亲发明,世上独一无二的第七代GGO潜龙,于是联同一众战友组成「赤足队」,参与世界GGO大赛,与各地列强展开场场激烈的GGO足球大战!与此同时,他其实暗地背负着父亲的寄望,带领潜龙进入总决赛,藉此破解一个鲜为人知的大阴谋…… 踏入21世纪,运动与科技关系十分紧密,体育用品需要科技配合,在设计足球及足球鞋的时候,更需要精密的数据及计算器测试,才可做出一些能发挥人类极限的体育用品。如果以人类去测试,状态及技术必定有所偏差和不稳定,所以找来GGO博士协助产品研发,GGO机械足球员亦因此诞生。 (1 – 32集) 2010年,新一届GGO世界赛快将举行。而在正式进入世界赛之前,世界各地先会进行地区赛。GGO博士得力助手高文13岁的儿子高迅,他意外地得到了爸爸寄来的GGO机械人潜龙,得知到爸爸是需要找寻合适的领队带领潜龙取得GGO世界赛冠军。高迅得知此事后便与好友们组队合作,带领六名GGO足球员参赛,踏上了中国区赛的旅程...... 这部动画告诉我们要有团队意识。在故事的结尾,高讯靠自己的赤足队得了世界第一,也让这个惊天大阴谋破碎了

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注