Research on table tennis motion recognition under limb occlusion
Dit artikel presenteert een betrouwbare tafeltennisbewegingsdataset en stelt een spatio-temporeel graph convolutional neural network-model voor dat effectief de positie van geoccludeerde gewrichten voorspelt om de nauwkeurigheid van bewegingsherkenning onder ledemadocclusie te verbeteren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de hooggestoken wereld van het competitieve tafeltennis bepaalt een beslissing van een fractie van een seconde vaak de uitkomst van een wedstrijd. Atleten moeten constant het lichaam van hun tegenstander scannen, waarbij ze subtiele signalen in de zwaai van een arm of de verschuiving van een gewicht lezen om te voorspellen waar de bal als volgende naartoe zal gaan. De sport wordt echter zelden gespeeld met een helder, ononderbroken zicht. Het net, de tafel en het lichaam van de tegenstander blokkeren regelmatig de zichtlijn, waardoor de bewegingen die het geheim van de volgende slag bevatten, verborgen blijven. Dit fenomeen, bekend als occlusie, creëert een blinde vlek waar cruciale informatie verdwijnt. Decennialang hebben onderzoekers geprobeerd computers te leren door deze gaten heen te kijken, door gebruik te maken van kunstmatige intelligentie om de ontbrekende stukjes van een bewegend beeld in te vullen. De uitdaging ligt erin om een machine niet alleen te leren een patroon te herkennen wanneer het compleet is, maar om het hele verhaal te begrijpen, zelfs wanneer delen ervan ontbreken, door te vertrouwen op de logica van hoe menselijke lichamen door de tijd heen samen bewegen.
Een team van onderzoekers van de Shandong Sport University en de Shanghai University of Sport zette zich af om dit specifieke puzzelstukje binnen de context van tafeltennis op te lossen. Ze begonnen met het vastleggen van de precieze bewegingen van dertig professionele spelers met behulp van een gespecialiseerd systeem van infraroodcamera's dat de positie van reflecterende markeringen op de lichamen en rackets van de atleten volgde. Dit proces genereerde een enorme bibliotheek aan gegevens, waarin de exacte locatie van veertien belangrijke gewrichten op het lichaam voor elk enkel frame van de beweging van een speler werd vastgelegd. Met dit digitale archief in handen creëerde het team een gecontroleerd experiment om de chaos van een echte wedstrijd te simuleren. Ze gebruikten computersoftware om stokfiguur-animaties van de spelers te bouwen, en verwijderden vervolgens systematisch verschillende delen van deze figuren om na te bootsen hoe een net of een lichaam een ledemaat tijdens een wedstrijd zou kunnen verbergen. Ze creëerden scenario's waarin de linkerarm verborgen was, waar de benen onzichtbaar waren, waar het gehele bovenlichaam werd geblokkeerd, en zelfs waar alleen het traject van het racket zichtbaar bleef.
Dertig andere professionele spelers kregen vervolgens de opdracht om naar deze incomplete animaties te kijken en het specifieke type slag te identificeren, zoals een forehand aanval of een backhand drive. De resultaten boden een duidelijke kaart van welke informatie werkelijk essentieel is. Wanneer het volledige lichaam zichtbaar was, identificeerden de spelers de bewegingen met bijna perfecte nauwkeurigheid. Wanneer de linkerarm verborgen was, daalde hun prestatie nauwelijks, wat suggereerde dat de niet-dominante arm minder cruciaal is voor het lezen van de intentie van de tegenstander. Echter, wanneer alleen het traject van het racket zichtbaar was, daalde de nauwkeurigheid aanzienlijk, hoewel deze hoog genoeg bleef om te bewijzen dat het pad van de bal en het racket enorm veel gewicht draagt. De meest veelzeggende bevinding kwam toen de onderzoekers het onderlichaam of het gehele bovenlichaam verwijderden; zelfs met de onderste ledematen afgeschermd, was de herkenningsnauwkeurigheid 91,4%, en met het bovenlichaam volledig afgeschermd bleef deze op 96,2%, wat aangeeft dat hoewel het onderlichaam context biedt, het bovenlichaam en het traject van het racket alleen al voldoende zijn voor een zeer nauwkeurige identificatie van de beweging.
Nadat zij hadden vastgesteld wat mensen nodig hebben om te zien, richtten de onderzoekers zich op kunstmatige intelligentie om te zien of een computer hetzelfde werk kon doen, maar dan met een twist. Ze bouwden een gespecialiseerd neuraal netwerk, een type computerprogramma ontworpen om patronen te leren, om te fungeren als een digitale restaurateur. Het doel was om het systeem een animatie met ontbrekende gewrichten te voeden en het de exacte berekening te laten maken van waar die verborgen delen zouden moeten zijn. Het systeem leerde de relatie tussen de zichtbare botten en de onzichtbare botten begrijpen, wetende dat als de rechter schouder op een bepaalde manier beweegt, de linkerarm op een specifieke, gecoördineerde wijze moet bewegen. Bij tests slaagde de computer erin de ontbrekende ledematen te reconstrueren, waarbij de gaten werden opgevuld met een precisieniveau dat overeenkwam met de oordelen van menselijke coaches. De gereconstrueerde bewegingen waren zo nauwkeurig dat wanneer experts de originele incomplete animaties en de door de computer aangevulde versies beoordeelden, de scores bijna identiek waren, waarbij de versie van de computer de beweging had hersteld tot een staat die compleet en natuurlijk aanvoelde.
De studie concludeert dat hoewel het racket en de dominante arm de primaire bronnen van informatie zijn voor het voorspellen van een tafeltennisslag, de rest van het lichaam de noodzakelijke context biedt om die voorspelling betrouwbaar te maken. Het onderzoek toont aan dat door het begrijpen van de spatio-temporele verbindingen tussen gewrichten — hoe ze in relatie tot elkaar bewegen over de tijd — het mogelijk is om de positie van een verborgen ledemaat met hoge zekerheid wiskundig af te leiden. Dit werk biedt niet alleen een manier om bewegingsregistratietechnologie te verbeteren; het biedt een dieper begrip van hoe atleten zelf visuele informatie verwerken onder druk. Het suggereert dat zelfs wanneer het zicht geblokkeerd is, zowel het brein als de machine kunnen vertrouwen op de resterende zichtbare aanwijzingen om de volledige realiteit van de beweging te reconstrueren, waardoor een gefragmenteerd beeld wordt omgezet in een heldere voorspelling.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.