Sep, 2023

基于人工智能的乒乓球运动员运动技能识别与评估系统设计

PDF
TL;DR通过改进可穿戴设备对乒乓球运动的识别和分析，本文实现了对乒乓球运动员运动技能的模式识别和评估，采用特征工程构建运动特征，在维度降低后为不同模型识别鉴定运动技能，结果表明，相较于传统的卷积神经网络，本文提出的基于特征的 BP 神经网络在乒乓球运动员运动技能识别中具有更高的识别准确性和更强的泛化能力。
wearable devicestable tennismotion recognitionartificial intelligencemotor skills
发现论文，激发创造
  • 利用二维人体姿态估计进行乒乓球拍技术识别

    本文介绍了一种收集乒乓视频数据并进行击球检测和分类的新方法，使用 2D 姿势估计开发的时空卷积神经网络模型能够对这 11 种乒乓球击球进行多分类，以提高运动员的性能。

    Apr, 2021

  • 公平网球训练的 AI: 利用 AI 进行公平和准确的网球技能水平和训练阶段分类

    通过使用惯性测量单元采集参与少年网球运动员的运动数据，使用支持向量机算法对数据进行处理，本研究通过将网球运动员的技能水平划分为初学者或中级水平，以及基于收集的运动数据对网球挥拍动作划分为五个阶段，成功展示了 SVM 分类方法可作为发展平等且易于接近的基于 AI 的网球训练系统的可靠基础。

    Jun, 2024

  • 多模态乒乓球机器人系统

    基于高准确度视觉检测和快速机器人反应的改进型乒乓球机器人系统，通过多模态感知系统的创新校准方法实现了对旋转估计至关重要的精确度更高的旋转估计方法，并展示了结合基于事件的摄像头和脉冲神经网络（SNN）输出进行准确球检测的方法。

    Oct, 2023

  • 媒体评估 2022 年：视频乒乓球运动细粒度动作检测和分类任务

    这篇研究主要研究乒乓球比赛的视频分析，旨在检测和分类运动员微小的动作，并提供给教练和运动员工具来评估他们的比赛表现。

    Jan, 2023

  • 利用球轨迹数据实现乒乓球拍法检测和识别

    本文利用球的轨迹，仅仅使用单个摄像头记录了四名职业乒乓球选手执行的六种不同类别的打法，通过 YOLOv4 和 TrackNetv2 等深度学习算法，研究了在乒乓球场上捕捉和识别击球动作的新方法。

    Feb, 2023

  • 基于反事实解释的佩戴式传感器生成羽毛球运动引导

    本研究提出了一种通过生成个性化运动指南来提高羽毛球球员击球质量的框架，利用多模态可穿戴数据集。这些指南基于反事实算法，旨在减小初学者与专家之间的表现差距。我们的方法通过可视化数据提供关节级别的指导，以帮助球员改善动作，而无需专家知识。通过度量指标对该方法与传统算法进行了评估，包括算术度量和动作特定度量，以评估其有效性、接近性和合理性。我们的评估表明，所提出的框架能够生成保持原始动作精髓的动作，同时提高击球质量，相较于直接复制专家动作，提供更贴近的指导。结果凸显了我们的方法在通过为羽毛球击球的任意输入样本生成反事实运动指导的个性化体育运动指南方面的潜力。

    May, 2024

  • 机器人乒乓球：高速学习系统案例研究

    该篇论文深入研究了一个真实世界的机器人学习系统，该系统能够和人类进行数百次乒乓球对打，并能够精确地将球返回到指定目标。论文提供了完整的系统描述，包括通常不广泛传播的设计决策，并附上一系列研究，澄清了减轻潜在延迟来源的重要性，考虑训练和部署分布变化的影响，感知系统的稳健性，策略超参数的敏感性以及行动空间的选择。

    Sep, 2023

  • 羽毛球人工智能教练

    通过分析球员运动学和生物力学，运用先进的神经网络方法，从羽毛球比赛的视频镜头中提取细致洞察，旨在推导出能够提供姿态、技术和肌肉定向改进建议的预测模型，以提高整体性能。

    Mar, 2024

  • 基于无模型强化学习的乒乓球机器人

    通过控制机器人关节以 100Hz 的速度返回乒乓球，我们提出了一种模型无关的算法，并证明了进化搜索方法能够在非视觉输入和时间之间卷积的基础上作用于基于 CNN 的策略体系结构，学习紧凑的控制器，在适当调整任务和奖励的情况下，策略能够发展多模态样式，同时在广泛的球类投掷范围内实现 80％的回球率，观察到多模性不需要任何建筑先验知识。

    Mar, 2020

  • 使用肌肉机器人从零开始学习乒乓球

    本文介绍一种利用气动人工肌肉和强化学习来安全地训练机器人学习打乒乓球的方法，同时演示了这种方法可以让机器人在高速运动下实现回球和攻击

    Jun, 2020