Künstliche Intelligenz und Computer Vision in der Bewegungsanalyse von Kanuten

(Artificial intelligence and computer vision in motion analysis of canoe athletes)

Wir konnten durch den Einsatz von künstlicher Intelligenz und Computer Vision den Aufwand der Technikanalyse von Leistungssport-Kanuten von ca. 20 Minuten auf ca. 2 Minuten pro Athlet/in reduzieren, ohne dabei auf die Verwendung von Motion Trackern angewiesen zu sein. Unsere Genauigkeit ist in den ersten Testversuchen im Schnitt schlechter als die der menschlichen Auswertung. Jedoch unterliegt die Genauigkeit einer stetigen Entwicklung und Verbesserung. Die aktuellen Probleme, Lösungsansätze sowie die noch ausstehende Validierung werden im Vortrag erörtert. Wir bieten neben automatisierten Vergleich der Videoaufnahme mit dem technischen Leitbild auch die Möglichkeit, die Paddelbewegung kontinuierlich auszuwerten. Dabei können auch Winkelgeschwindigkeiten und Winkelbeschleunigungen ohne Motion Tracker analysiert werden. Eine naheliegende Weiterentwicklungsmöglichkeit ist, den Athleten während des Trainings direkte Rückmeldung zu geben und so beim Training die Technik kontinuierlich zu verbessern. Zur Motivation der Athleten ist ein Ansatz zur Gamification des Techniktrainings denkbar. Langfristig möchten wir unsere Analyse auch auf andere Sportarten erweitern.
© Copyright 2020 spinfortec2020digital: 13. Symposium der dvs-Sektion "Sportinformatik und Sporttechnologie" vom 24.-25. September 2020 in Bayreuth. Published by Institut für Sportwissenschaft. All rights reserved.

Bibliographic Details
Subjects:
Notations:technical and natural sciences training science
Tagging:Sportinformatik Mustererkennung künstliche Intelligenz
Published in:spinfortec2020digital: 13. Symposium der dvs-Sektion "Sportinformatik und Sporttechnologie" vom 24.-25. September 2020 in Bayreuth
Language:German
Published: Bayreuth Institut für Sportwissenschaft 2020
Online Access:https://www.sporttechnologie.uni-bayreuth.de/pool/dokumente/Spinfortec_Programm-Abstractheft_final.pdf
Pages:32-33
Document types:article
Level:advanced