Human Pose Estimation in Trampoline Gymnastics: Improving Performance Using a New Synthetic Dataset
تقدم هذه الورقة مجموعة بيانات اصطناعية جديدة (STP) تم إنشاؤها من بيانات التقاط الحركة لضبط نموذج ViTPose بدقة، مما يحسن بشكل كبير من دقة تقدير الوضعية البشرية ثنائية وثلاثية الأبعاد للوضعيات والزوايا القصوى التي تميز جمباز الترامبولين.
البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم كمبيوتر فهم الحركة البشرية. من المرجح أنك ستبدأ بعرض آلاف الصور لأشخاص يمشون، أو يركضون، أو يلوحون بالتحية. يتعلم الكمبيوتر هذه الوضعيات "الطبيعية" بشكل جيد للغاية. ولكن ماذا يحدث عندما تطلب من نفس الكمبيوتر تحليل لاعبة جمباز على الترامبولين؟
فجأة، يصاب الكمبيوتر بالارتباك. اللاعبة تدور مقلوبة رأساً على عقب، وتلوي جسدها في أشكال مستحيلة، وتتحرك بسرعة كبيرة تجعلها تبدو كطيف ضبابي. بالنسبة للكمبيوتر، يبدو الأمر وكأنه فوضى من الأطراف. هذه هي المشكلة التي تعالجها هذه الورقة البحثية: كيف نعلم الذكاء الاصطناعي فهم وضعيات الجسم الأكروباتية المتطرفة؟
إليك قصة كيف حل الباحثون هذه المشكلة، مشروحة بكلمات بسيطة.
1. المشكلة: الكمبيوتر يصاب بالدوار
تخيل نماذج تقدير الوضعية القياسية (الذكاء الاصطناعي الذي يتتبع أجزاء الجسم) كطالب لم يدرس سوى الكتب المدرسية عن أشخاص واقفين بلا حراك. إذا عرضت عليهم صورة لجمبازية تؤدي شقلبة خلفية، سيصاب الطالب بالذعر. قد يعتقد أن رأس الجمبازية هو ركبتها، أو قد يغفل عن ذراع بالكامل لأنها مختبئة خلف ساق.
في جمباز الترامبولين، يقفز الرياضيون بارتفاع يصل إلى 8 أمتار، ويدورون بسرعة، ويتلوون. غالباً ما تفقد الكاميرات تتبعهم، أو تسقط العلامات المستخدمة لتتبع حركتهم. الأمر يشبه محاولة تصوير سيارة سباق بكاميرا مهتزة بينما يقوم السائق بحركات التفاف دائرية؛ اللقطات تكون فوضوية ويصعب قراءتها.
2. الحل: بناء "صالة تدريب" للذكاء الاصطناعي
أدرك الباحثون أنه لا يمكنهم مجرد الانتظار حتى تتوفر صور حقيقية كافية لهذه الحركات الجنونية (لأنها نادرة ويصعب تصويرها بشكل مثالي). بدلاً من ذلك، قرروا بناء صالة تدريب افتراضية للذكاء الاصطناعي.
إليكم كيف بنوا هذه الصالة:
- الخطوة 1: الهيكل العظمي الحقيقي (البيانات الخام): قاموا بتصوير لاعبات جمباز محترفات باستخدام كاميرات التقاط الحركة عالية التقنية (من النوع الذي يحتوي على نقاط صغيرة عاكسة على ملابسهن). ولكن، كما كان متوقعاً، سقطت النقاط أو اختفت أثناء الشقلبات. كانت البيانات "مشوشة" ومتقطعة.
- الخطوة 2: ورشة الإصلاح الرقمي: أنشأوا أداة خاصة لإصلاح هذه البيانات المكسورة. تخيل دمية رقمية (نموذج بشري ثلاثي الأبعاد يسمى SMPL). تأخذ هذه الأداة البيانات المكسورة والمشوشة من لاعبات الجمباز الحقيقيات و"تطابق" الدمية الرقمية عليها. تقوم الأداة بتنعيم التعرجات، وملء النقاط المفقودة، وإنشاء رسوم متحركة ثلاثية الأبعاد مثالية وواقعية لحركة اللاعبة، حتى لو كان الفيديو الأصلي فوضوياً.
- الخطوة 3: الاستوديو الافتراضي (البيانات الاصطناعية): بمجرد حصولهم على الرسوم المتحركة الثلاثية الأبعاد المثالية، وضعوها في محرك ألعاب فيديو (Blender). قاموا بإلباس لاعبات الجمباز الرقميات ملابس مختلفة، ووضعوهن في ظروف إضاءة مختلفة، وصوروهن من 8 زوايا كاميرا مختلفة في وقت واحد.
- التشبيه: فكر في هذا الأمر كأنه مصمم مستويات في لعبة فيديو. هم لم يكتفوا بتصوير لاعبة واحدة؛ بل صنعوا الآلاف من لاعبات الجمباز "الوهميات" اللواتي يؤدين نفس الحركات، ولكن بملامح بشرة وملابس وخلفيات مختلفة. منح هذا الذكاء الاصطناعي مكتبة ضخمة من أمثلة التدريب.
3. التدريب: من "الثقافة النظرية" إلى "الخبرة العملية"
أخذوا نموذج ذكاء اصطناعي قوي (يسمى ViTPose) كان جيداً بالفعل في التعرف على الأشخاص العاديين. ثم، أعطوه دورة مكثفة باستخدام مجموعة بيانات "الصالة الرياضية الافتراضية" الجديدة الخاصة بهم.
- قبل: كان الذكاء الاصطناعي مثل أمين مكتبة يعرف كل كتاب في المكتبة ولكنه لم يرَ أبداً قتالاً حقيقياً.
- بعد: تدرب الذكاء الاصطناعي على آلاف شقلبات الترامبولين الاصطناعية. تعلم كيف يبدو الكوع المقلوب، وكيف يظهر العمود الفقري الملتوي من الأسفل، وكيف يحدد موقع طرف حتى وهو يدور بسرعة.
4. النتائج: الذكاء الاصطناعي "يفهم أخيراً"
عندما اختبروا الذكاء الاصطناعي المدرب حديثاً على لقطات ترامبولين حقيقية (وليس اللقطات المزيفة)، كانت النتائج مذهلة:
- دقة الـ 2D (الصورة المسطحة): أصبح الذكاء الاصطناعي أفضل بكثير في تحديد المفاصل في صورة واحدة. توقف عن الخلط بين اليد اليمنى واليسرى وأصبح بإمكانه رصد الأطراف حتى عندما تكون اللاعبة مقلوبة.
- دقة الـ 3D (إعادة البناء ثلاثي الأبعاد): هذا هو الفوز الكبير. للحصول على وضعية ثلاثية الأبعاد، تحتاج عادةً إلى دمج مشاهد من كاميرات متعددة. إذا أخطأ الذكاء الاصطناعي في رصد مفصل في كاميرا واحدة، فإن إعادة البناء ثلاثي الأبعاد تنهار. ولأن الذكاء الاصطناعي الجديد كان بارعاً جداً في رصد المفاصل من كل زاوية، كانت النماذج ثلاثية الأبعاد النهائية للاعبة أكثر دقة.
- الاستعارة: تخيل محاولة بناء منحوتة ثلاثية الأبعاد لراقصة تدور باستخدام ظلال ثنائية الأبعاد فقط. إذا أخطأ صائد الظلال في رصد يد في زاوية معينة، ستكون المنحوتة ذات ذراع مفقودة. الذكاء الاصطناعي الجديد يرصد ظل اليد في كل مرة، لذا يكون النموذج النهائي مكتملاً ومثالياً.
لماذا هذا مهم؟
هذا ليس متعلقاً بالجمباز فحسب. إنه يثبت أنه عندما تكون البيانات الواقعية خطيرة جداً، أو نادرة جداً، أو فوضوية جداً لجمعها، يمكننا محاكاتها لتعليم الذكاء الاصطناعي.
من خلال إنشاء "مجموعة بيانات اصطناعية" (بيانات مزيفة ولكن واقعية) بناءً على التقاط الحركة الحقيقي، نجحوا في سد الفجوة بين "الحركات اليومية" و"الأكروبات المتطرفة". لقد أثبتوا أنه مع بيانات التدريب الصحيحة، يمكن للذكاء الاصطناعي أن يتعلم فهم أكثر الحركات البشرية فوضوية وسرعة وتعقيداً التي يمكننا تخيلها.
باختصار: لقد علموا الكمبيوتر فهم شقلبة لاعبة الجمباز من خلال السماح له أولاً بالتدرب على مليون شقلبة افتراضية في لعبة فيديو، وبعد ذلك أصبح بارعاً في تحليل الشيء الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.