运动智能算法

近年人工智能在运动分析上的利用开始明显增加,墨威智能采用AI技术在有效动作特征的收集,评价以及探索有效训练方法上获得了明显的效果。这里以人体(机器人模型)的动作学习过程来介绍如何通过设计合理的动作评价算法来帮助AI提高动作特征分析的工作效率。

运动动作的捕捉是通过绑在身体(机器人模型)上的不同部位(胸,腰,大腿,小腿,上臂,前臂等)传感器来收集动作的数据(加速度,角度变化,压力等),某种高尔夫选手挥动球杆击打的挥杆动作会产生一连串的传感电子信号数据,运动分析的目的是通过分析整个挥杆动作的不同部位的数据变化,寻找出部位的动作变化是实现提高击打动作效果的因果关系,进一步建立提高动作效果的标准动作模型。

通常建立一个标准动作模型需要运动员重复一样的击打动作数个/几/数万次,获得足够的有效击打效果的击打动作数据;然后以参加者参照运动员,教练等经验反馈,开始建立动作评估算法以及设计标准动作模型;设计模型完成后,再交付给运动员实施进一步的动作模型矫正试验。经过上述反复的动作数据收集和算法评估的工作,最后完成一套“高尔夫挥杆”标准动作模型。

上述的试验和研发往往需要花费很长时间补充大量的研究力量,也是对抗运动分析技术发展的一个例证。墨威智能研发的动作评估算法和算法管理技术大幅度地减少了动作特征的分析时间,提高了标准动作模型的精度。

例如,当机器分析学习击打动作过程的一瞬间的前臂动作的时候,将几/数万次的击打动作与击打效果作为机器学习的输入条件所产生的[成功轨迹],发生瞬间动作的[初始状态]与[目标状态]实施快速的效果学习,寻找精度更高的[成功轨迹]。

墨威智能的有效动作特征值的寻找途径算法可快速从大量的运动数据中分析出可用的数据和特征变量,为进一步建立标准动作模型提供基础数据,从而帮助解决浪费进行传统的运动分析的方法。

发表评论

邮箱地址不会被公开。 必填项已用*标注