Reconocimiento de acciones de padel usando deep learning

Abstract

[Resumen]: El pádel ha experimentado un crecimiento exponencial en la última década, posicionándose como uno de los deportes de mayor expansión a nivel mundial. Según la Federación Internacional de Pádel, en 2023 se registraron más de 25 millones de jugadores en 90 países, consolidándolo como un fenómeno social y deportivo de alcance global. Sin embargo, el análisis técnico de este deporte sigue dependiendo en gran medida de la observación humana, lo que limita su escalabilidad y precisión. Este trabajo propone un sistema automático de reconocimiento de acciones o jugadas en pádel mediante técnicas de deep learning. Para ello, se ha creado un dataset único con más de 2.000 fragmentos de grabaciones de simulaciones reales de golpes de pádel, etiquetando manualmente acciones clave como bandejas, víboras, smashes y voleas. La arquitectura desarrollada combina redes neuronales convolucionales (Convolutional Neural Network (CNN)) para la extracción espacial de características y redes Long Short-Term Memory (LSTM) para modelar la temporalidad de las secuencias, alcanzando una precisión del 80% en la clasificación de acciones. Los resultados demuestran que este enfoque no solo permite analizar patrones de juego con una eficiencia razonablemente buena, sino que también abre la puerta a aplicaciones innovadoras como herramientas de entrenamiento asistido, análisis táctico en tiempo real o generación automática de estadísticas. Esta contribución se sitúa como una de las más innovadoras ofreciendo soluciones escalables para un deporte en plena expansión.

[Abstract]: Padel has experienced exponential growth over the last decade, establishing itself as one of the most rapidly expanding sports worldwide. According to the International Padel Federation, 2023 saw over 25 million players across 90 countries, solidifying its status as a global social and sporting phenomenon. However, technical analysis of this sport still largely relies on human observation, limiting both scalability and precision. This work proposes an automated system for action recognition in padel using deep learning techniques. A unique dataset of more than 2000 fragments from real padel stroke simulations was created, with manual labeling of key actions such as bandejas, viboras, smashes, and volleys. The developed architecture combines convolutional neural networks (CNNs) for spatial feature extraction and LSTM networks to model temporal sequence dependencies, achieving an accuracy of 80% in action classification. Results demonstrate that this approach not only enables analysis of gameplay patterns with higher efficiency than traditional methods but also paves the way for innovative applications such as AI-assisted training tools, real-time tactical analysis, and automated statistics generation. This contribution positions padel at the forefront of sports digital transformation, offering scalable solutions for a sport in full global expansion.