Biomechanics-Guided Standard Action Modeling and Lightweight ST-GCN for Interpretable Phase-Based Action Quality Assessment

想象一下，你正在看着一位朋友试图教机器人打篮球。如果你只是告诉机器人：“你投丢了，”它学不到任何东西。但如果你说：“你的手肘太低了，膝盖弯曲不够，而且出手太早了，”机器人就能真正改进它的技术。这就是一个被称为*动作质量评估（Action Quality Assessment, AQA）*领域的内核。多年来，计算机一直擅长识别正在发生什么*动作（比如“跳跃”或“奔跑”），但在解释动作完成得如何*方面一直很吃力。传统方法通常需要昂贵、笨重的摄像机和传感器，看起来就像科幻电影场景，这使得它们无法在普通的学校体育馆中使用。研究人员试图解决的核心问题是：我们能否使用手机拍摄的普通视频或标准摄像头，不仅能给出一个评分，还能解释动作到底在哪里出了错，而无需依赖一整个实验室的设备？

本文介绍了一个巧妙的新系统，旨在通过仅使用一段视频来为立定跳远——一种经典的爆发力测试——进行评分。由首都师范大学团队领导的研究人员构建了一个数字“教练”，将跳跃分解为细小的机械组成部分。该系统不仅仅关注最终的跳跃距离，而是像一名生物力学侦探一样观察运动员。他们基于专家知识创建了一个“标准模板”，这个模板就像是一个理想跳跃的“完美幽灵”。然后，他们使用了一种轻量级 AI 模型（一种被称为 ST-GCN 的大脑类型）将真实的运动员视频与这个完美幽灵进行对比。结果不仅是一个数字，而是一份详细的成绩单，上面会写着：“你的起跳角度太低了，”或者“落地时膝盖弯曲不够。”该团队在 200 人身上进行了测试，发现他们的 AI 对跳跃的评分准确度可以媲美人类专家，但其消耗的计算能力仅为人类的一小部分，这使得它可以在学校的普通电脑上运行。

数字教练与完美幽灵

把立定跳远想象成一场由五个不同动作组成的复杂舞蹈：准备、下蹲、向上爆发、腾空飞行以及安全落地。过去，如果教练想要为此评分，必须逐帧观看视频，猜测角度并记录笔记。这很慢，而且两位教练之间可能会产生分歧。

本文作者决定构建一个永不疲倦、也永不产生分歧的数字教练。首先，他们必须教会计算机如何“看”。他们采集了 200 名参与者（100 名男性和 100 名女性）跳跃的视频，并使用了一个名为 MMPose 的工具来寻找视频中人物的“骨架”。这就像是在视频中的每个人身上画一个火柴人。然后，他们使用另一个工具 VideoPose3D 将这个火柴人提升到 3D 空间，这样计算机就能理解深度，而不仅仅是一个平面图像。

仅仅看到骨架是不够的；计算机需要知道什么是“好”的跳跃。因此，团队构建了一个标准动作模板。把它想象成一个“完美幽灵”跳跃。这个幽灵没有实体，但有一套规则：“膝盖应弯曲至 80–100 度”、“起跳角度应在 19 到 40 度之间”、“落地要轻盈”。这个幽灵是通过结合科学研究与真实运动专家的知识而创建的。

轻量级大脑

现在到了主角登场的时刻：轻量级 ST-GCN。在 AI 领域，“GCN”代表图卷积网络，这是一种高级说法，指的是一种理解身体部位如何相互连接（例如，当你的髋部移动时，你的膝盖如何随之移动）的计算机大脑。通常，这些大脑庞大、沉重且缓慢，需要强大的超级计算机才能运行。

研究人员想要的是一种可以在普通电脑甚至学校体育馆笔记本电脑上运行的东西。因此，他们构建了一个轻量级版本。想象一下，将一座宏大复杂的图书馆缩减成一本组织严密的小笔记本。他们去除了不必要的部件，移除了复杂的注意力机制（类似于大脑试图同时注视太多事物），并简化了结构。

结果是一个极其微小的模型。它只有 0.48 百万个参数（即大脑的“记忆”），并且仅需 2.7 GFLOPs 的计算能力。为了直观对比，一个标准的、重型的此类大脑需要 3.10 百万个参数和 16.4 GFLOPs。这个新模型大约缩小了 84.5%，且速度更快。它在高性能计算机上仅需 18.2 毫秒即可分析一次跳跃，在标准 CPU 上也仅需 64.3 毫秒。这足以实现几乎即时的反馈，就像教练在你还在空中时就在大声给出建议一样。

如何评分与解释

这里是见证奇迹的地方。系统并不只是观察整个跳跃过程然后进行猜测，而是将跳跃分解为三个主要的评分区域：起跳阶段、飞行阶段和落地阶段。

1. 起跳阶段： 包括准备、下蹲和爆发。AI 会检查运动员是否充分弯曲了膝盖，以及手臂摆动是否正确。
2. 飞行阶段： 这是在空中的时间。AI 会检查身体是否保持稳定，以及腿部是否向后收缩到位。
3. 落地阶段： 这是冲击阶段。AI 会检查膝盖是否弯曲以缓冲冲击，以及身体是否保持平衡。

AI 会为每个区域给出分数，然后将它们组合成总分。但最棒的部分是反馈。如果“起跳”得分较低，系统会查看“完美幽灵”模板并询问：“哪里不一样了？”

• 膝盖弯曲不够？ $\rightarrow$ 反馈：“蹬地不足。”
• 跳跃轨迹太扁平？ $\rightarrow$ 反馈：“起跳角度过低。”
• 手臂保持不动？ $\rightarrow$ 反馈：“手臂摆动不足。”

结果：它有效吗？

团队将他们的数字教练与三位人类专家进行了对比。结果令人印象深刻。AI 的评分与人类专家的相关性达到了 0.94（其中 1.0 代表完美匹配）。在误差方面，AI 的平均误差（RMSE）仅为 0.12 分，相比之下，人类专家的误差为 0.33 分，其他计算机方法的误差为 0.26 分。

论文指出，这种方法在起跳阶段表现尤为出色，因为该阶段最为稳定。飞行和落地阶段的判断稍显困难，这可能是因为身体移动速度极快，且摄像机有时会在瞬间丢失对关节的追踪。然而，即便存在这些微小的瑕疵，该系统的准确性仍然高于传统的计算机方法，并且与人类专家不相上下。

研究人员还将他们的“分阶段（split-phase）”方法（即分别对三个部分进行评分）与仅观察整个跳跃的方法进行了对比。分阶段方法完胜。这就像是通过分别检查加法、乘法和最终答案来批改数学试卷，而不是只看最后的总数。这种方法帮助 AI 捕捉到了那些如果只看总分可能会被掩盖的小错误。

总结

本文表明，我们不需要昂贵的实验室就能获得专业级的运动动作反馈。通过将“完美幽灵”模板与一个微小、快速的 AI 大脑相结合，我们可以将一段简单的视频转化为详细的教练指导。该系统快速、准确，最重要的是具有可解释性——它不仅告诉你得到了多少分，还告诉你为什么得到这个分数。

作者谨慎地指出，这并不是要取代真正的真人教练或拥有高科技传感器的实验室。它是一个面向资源有限的学校和基层训练的工具。他们也承认，他们的测试对象主要是年轻人，因此可能需要在儿童或老年运动员身上进行更多测试。但就目前而言，他们已经证明，只要具备一点巧妙的工程设计，计算机就可以学会观察跳跃、理解物理规律，并给你一个击掌鼓励或是一个温和的提醒，让你尝试再次。