Kunstig Basketball Coach

Fremkomsten af ​​miniature og billigt bærbare sensorer har gjort det muligt for os at samle kropsbevægelsesmønstre og biosignaler under sportstræning. Disse signaler behandles og konverteres til brugbar information om sportsuddannelsens tilstand. Ved hjælp af maskinlæringsalgoritmer kan disse oplysninger blandes sammen med viden om uddannelse af specifik sportsgrene. Derfor kan anvendelse af bærbar teknologi og maskinlæring føre til oprettelse af kunstige sportscoachere. Dette er historien om, hvordan vi gjorde det til basketball.

Træning i sport er en kompleks og involveret proces

Træningssessioner udarbejdes, evalueres og overvåges generelt af professionelle coacher. Coaches er intenst involveret i denne proces og har en enorm indflydelse på praktikernes kvalitet. Coach's involvering i træningsprocessen bestemmer i sidste ende konkurrenceresultatet.

At være en god coach er svært på grund af den krævede viden og færdigheder. Ved siden af ​​at have dyb viden om specifik sportsdisciplin kræver coacher også en forståelse af områder som anatomi, fysiologi, biomekanik, psykologi, sociologi og didaktik for at udnytte praktikanters evner bedst muligt.

Målet med en træning er at hjælpe en atlet eller et hold med at nå deres bedste præstation. Træningspræstationen evalueres af de eksperttræner, der begrunder kendte principper i bestemte sportsgrene. Forbedring af en atletes præstation opnås gennem fysisk, teknisk, taktisk og psykologisk træning.

Hvad er problemet?

Træner i topklasse er svære at finde og dyre at ansætte. Atleter nyder privilegierne i de klubber, de tilslutter sig, men de har geografiske og økonomiske begrænsninger. Derfor mislykkes mange talentfulde og hårdtarbejdende atleter hvert år på grund af manglen på ordentlig træning og coaching-ekspertise.

Derfor må vi finde en måde at demokratisere sportsuddannelse og stille trænere i topklasse til rådighed for alle uanset deres økonomiske og sociale status. Vi skal gøre coaching i topklasse tilgængelig.

Med denne tankegang fokuserer vi på at opnå dette til basketball. Her er vores første skridt.

Arbejder mod løsningen

Vores hovedmål er at skabe en løsning, der vil gøre basketballcoaching tilgængelig for alle. Vores løsning er i form af en kunstig basketballtræner, der er billig, let vedtaget og i stand til at emulere menneskelig coach. For at gøre dette gjorde vi brug af bærbar teknologi og maskinlæring.

Bærbare enheder bruges primært som grundlæggende overvågningsenheder til vitale betingelser i dag, men deres fulde udnyttelsesudnyttelse skal stadig undersøges gennem kontekstrelateret dataintensiv applikationsudvikling. Stigningen i behandlingskapacitet og effekteffektivitet og faldet i størrelsen på indlejrede processorer har skabt en mulighed for at implementere avanceret realtidssignalbehandlings- og maskinlæringsalgoritmer i miniature batteridrevne bærbare enheder. Evne til bærbare enheder til at udføre sensorinputbaseret detektion, klassificering, regression og forudsigelse i forbindelse med deres anvendelse har bragt dem på grænsen til mange forskellige applikationer.

Ved at bruge wearables sammen med maskinlæring er det muligt at skabe kunstige coaches, der analyserer basketballspillerens øvelser og tilbyder spillerne visse anbefalinger om, hvordan de kan øge deres præstation. Kunstige coaches kan designes til at udvikle spillere i en fysisk, teknisk, taktisk og psykologisk forstand ved at inkorporere coachingoplevelser i topklasse.

Fysisk træning inkluderer basketball-fitness og gymnastikøvelser for at forbedre spillernes hastighed, udholdenhed, udholdenhed, koordination, fleksibilitet og styrke. Taktisk træning er baseret på undervisning i forskellige strategier i spillet, der fører til sejr. Psykologisk træning tilbyder øvelser til at opbygge spillerens personlighed og forbedre motivation, temperament og holdning. Teknisk træning er sammensat af øvelser, der forbedrer spillernes basketballfærdigheder som skydning, pasning, boldhåndtering, lay-up osv.

Autonom kunstig basketball-coach kræver meget lidt menneskeligt engagement og giver en løsning, som om en menneskelig coach var til stede. Det mest grundlæggende krav i et sådant system er automatisk anerkendelse af træningen og deres kvantitative og kvalitative evaluering. Træningstyper kan genkendes ved hjælp af bærbare sensorer og maskinlæringsalgoritmer. Yderligere kan præstationsscore for øvelser opnås ved at modellere viden hos eksperttræner og relatere den til f.eks. skydevinkel, driblingshastighed, driblingsstyrke, pass modtagelse osv.

Konkrete handlinger

Som det første skridt hen imod oprettelse af Kunstig Basketball Coach, udførte vi eksperimentel forskning for at genkende forskellige tekniske træningsøvelser. Den eksperimentelle opsætning består af en bærbar enhed (Bibi) udstyret med trådløs transceiver og sensorer til sensing af basketballspillerens armbevægelsesparametre (acceleration, vinkelhastighed og orientering).

Bibi Smart armbånd

Data om armbevægelse registreres af enheden og transmitteres til et stationært hub (Raspberry Pi 3). Denne hub modtager, lagrer, forbereder og behandler dataene for i sidste ende at identificere den aktuelle tilstand af fremskridt inden for basketballtræningen og genkende træningstype. Hub er vært for en maskinlæringsalgoritme og vil være i stand til at bruge cloud computing i fremtidige applikationer.

Kunstige Basketball Coach teknologikomponenter

Maskiner til læring af maskine

For at genkende træningstypen under træning anvendes en maskinlæringsalgoritme (Support Vector Machine). Denne algoritme trænes i processen, herunder dataindsamling, forarbejdning og transformation (se figuren nedenfor). Rå sensors data er klar til at blive brugt til denne maskinlæringsalgoritme til klassificering af tilsigtet / ønsket træning.

Uddannelsesproces for maskinlæringsalgoritme

Der er 2 sensorer i Bibi Armbånd, et accelerometer og et gyroskop. Ved hjælp af disse signaler beregnes orientering af armbåndet. Indsamlede data overføres til hub via BLE.

For at være i stand til at udtrække meningsfuld indsigt fra de indsamlede data, er rå data forberedt til at blive brugt til ML-modelleringsproces. Funktionsvektorer genereres ved at udtrække windows i fixstørrelse fra de forbehandlede data.

windowing

I datatransformationfasen oprettes og reduceres funktionssæt for at vælge de mest markante dem til klassificeringsfasen. Først beregnes statistiske funktioner for hvert ekstraherede vindue fra forbehandlede data. Derefter, ved anvendelse af forskellige funktionsundersæt-valgalgoritmer, vælges funktioner til at generere funktionsvektorer.

Dernæst trænes og valideres den valgte maskinindlæringsmodel med det opnåede datasæt.

Konklusion

Vi har opnået 99% klassificeringsnøjagtighed med aktuelle indstillinger og data. Vores næste trin i at oprette en kunstig basketballcoach er at udvide træningsbiblioteket og forsøge at klassificere de flere øvelser i træk, dvs. pass modtage - dribler - lay-up / shoot. Sammen med flere øvelser integrerer vi feedback (gennem smartphone-appen) med hensyn til den kvantitative og kvalitative karakter af den udførte træning.

Hovedfokus for dette arbejde er at præsentere en kunstig træner så meget autonom som muligt for at give alle træningsfaser til atleter på en problemfri måde. Atleter bør ikke afbryde deres træning for at interagere med en enhed. Vi gør i øjeblikket fremskridt på dette specifikke område af basketball. Det forventes imidlertid, at dette arbejde vil have indflydelse på forskellige sportsgrene på grund af lighederne i træningsrutiner.

Shutout til alle, der har bidraget til at arbejde på den tekniske side af projektet; Inovatink-team, 8Bitiz-team, WECooP-team. Kald ud til Sinan Güler og Güler Legacy team for at give os deres basketball coaching ekspertise.

Tak for at have læst! :) Hvis du nød det, skal du trykke på klapknappen og hjælpe andre mennesker med at se historien.