#蹦床 #運動學 #技術分析 #人工智能 #技術創新 #數字化訓練
11月10日,中國蹦床隊在西班牙潘普洛納2025年世界蹦床錦標賽上順利收官,斬獲4金2銅 的亮眼戰績,除包攬了奧運項目的兩塊金牌外,還斬獲了超級大團
體、女子網上團體的金牌,共誕生8位新科世界冠軍。這份榮譽的背后,離不開全體運動員與教練員日復一日地努力和付出,小清也全程全力投入隊伍的備戰訓練,為團隊成績貢獻了自己的力量。
your browser does not support the video tag
蹦床是一項高難、高速、高風險的“高門檻”運動,素有“空中芭蕾”的美稱。隨著科學化訓練理念的推廣,清德智體自東京周期開始為國家蹦床隊提供科技服務,也是唯一在巴黎奧運周期為國家隊提供數字化訓練建設和保障服務的團隊。服務工作以運動學數據自動化采集為基礎,圍繞負荷監控和技術分析兩部分內容具體開展。但在場景條件的“阻礙”和服務工作需求的“刁難”中,原始運動學數據的采集遇到困難(訓練器材彼此緊鄰、位置比較分散)。
在實踐探索中,團隊在算法設計方面需求創新,突破“基于單視角RGB影像畫面難以高效估算人體三維姿態特征”的技術難題,為競技體育賽訓的智能化發展,提供新的方案設計思路。本文將從技術背景、創新內核、成果應用、創新點復用等方面,回溯此次實踐的創新突破。
1 背景
1-1 蹦床動作技術特征&運動學數據采集限制
運動學數據包含時間(秒、fps)和空間(厘米、pix)兩個方面,除了原始數據采集的頻率應能契合項目時間特征的最低要求外,針對專項動作技術環節的空間特征也應能夠被有效提取,并與業務目標相適應。因此,在制定運動學數據采集的技術方案時,也通常要根據實際分析需求和項目特征,兼顧時間與空間兩個方面。例如要考慮:訓練場景的采樣和部署條件是否能夠被接受?數據被用于離線分析還是即時反饋?時空采樣精度是否能夠適應分析需求?
就蹦床來說,其動作的翻轉速率快(轉體最快可達每秒1200度以上)、起跳高度高(完成動作的最大高度可達7米)、沉網時間極短(觸網至離網總時長不超過0.3秒),這些特征對原始數據的采集頻率和視場都提出較高要求。
在過往研究,大多采用高速攝像機、三維動捕系統,對采樣頻率要求高、視場空間需求大的動作進行采集、分析。團隊早期計劃使用自研的標準化無標記三維動捕技術方案,但受訓練環境限制(器材彼此緊鄰),導致無法在器材周邊部署多臺高速攝像機,而Thermal Imaging、LiDAR Point Cloud等空間掃描技術的采樣幀率(低)又無法滿足分析需求。
1-2 二維圖像缺失深度,傳統單目3D估計不可信
單視角可見光動捕面臨缺乏三維數據特征信息的困境,這將導致計算機無法可靠的辨識運動員繞解剖學垂直軸發生的軀體旋轉。傳統單目3D技術又常會遇到算力的限制和深度不可信的質疑(多對一投影歧義),其主要靠數據統計來“猜”最可能的那個,在數據未覆蓋到、動作快速且復雜(如空中高難度翻轉)或存在嚴重遮擋情況的下,極易出錯,預測結果可能不合理(如關節扭曲、穿透地面)。
2 創新內核:先驗補償,讓AI掌握運動規律
2-1 基于拋體運動的局部坐標系位移補償
單視角圖像的透視變形會導致“近大遠小”的深度誤差,傳統單目3D技術依賴像素縮放比例推算距離,在快速運動場景中誤差累積顯著。本模塊通過物理規律先驗構建“空中運動數學模型”,實現位移補償:
①關鍵幀錨定與拋物線建模 :
以已知的二維坐標中“起跳瞬間”“最高點”“落地點”為時間節點,結合真實場景特征坐標,計算重力加速度在垂直方向的作用效果,建立運動軌跡的拋物線方程;
②時空插值優化:
在關鍵幀之間的時刻,通過拋物線的二階導數(加速度恒定)約束三維位移的變化率,修正單視角下因運動模糊導致的“位置漂移”——例如運動員騰空時,水平方向位移應勻速(忽略空氣阻力),垂直方向位移需符合“上升減速、下降加速”的物理規律,算法以此為基準調整每幀的三維坐標;
③尺度校準:
利用場景中固定特征(蹦床器械尺寸),將像素距離轉化為物理尺度,解決傳統單目3D“尺度模糊”的痛點(無法確定物體真實大小)。
通過物理規律的“硬性約束”,局部坐標系的位移估算從“圖像推測”升級為“數學可解”,使三維空間中運動員的騰空高度、水平移動距離等參數趨近真實值。
2-2 參考目標形態變化的局部坐標系朝向補償
該模塊的核心邏輯是通過人體運動學先驗知識,為局部坐標系的朝向估算設置“物理合理性邊界”,解決單視角下肢體旋轉方向歧義的問題。傳統單目3D技術在處理人體姿態時,常因單視角缺失深度信息,在快速翻轉動作的動作出現類似于“肢體穿模”等不合理結果。本技術通過三級約束實現精準補償:
①解剖學約束:
嵌入人體解剖學特征屬性,如髖關節最大外展角度不超過45°、肘關節屈伸范圍-10°(過伸)至140°(屈曲),直接排除物理上不可能的姿態;
②動作特征約束:
針對特定體育項目(如跳水、體操),提煉動作特征——例如:在轉體動作中,軀干與下肢的旋轉軸需保持同軸性,算法通過預設該動作的關節協同模式,修正單幀圖像中因遮擋導致的局部偏差;
③時序一致性約束:
利用人體運動的連續性規律,通過前一幀的肢體朝向,結合肌肉發力的生物力學特性(如肌肉收縮速度限制),預測當前幀的合理旋轉角度,避免幀間姿態突變(如空中翻轉時軀干旋轉角速度突然跳變)。
通過這三層“逐級補償”,局部坐標系的朝向估算不再依賴單一圖像特征,而是模擬運動員、教練員、裁判員對動作的直覺判斷,使三維姿態更符合人體生理極限與運動邏輯。
2-3 提煉——Pixmotion Trampoline
該創新已被融匯到AI系統模塊Pixmotion Trampoline中,系統可自動識別動作、計算難度(D),并對技術分(E)的評分點進行識別,同時給出基于運動學事件檢測,得出的高度(T)、位移(H)結果。其憑借自身輕量、便捷的屬性,以及相當的可靠程度,被國際體聯官員、總局科教司領導和專家點贊認可。
目前,該模塊已與視頻反饋系統整合,投入至國家蹦床隊的專項訓練中。訓練時,AI即時為每組訓練動作打上標簽——動作類別以及技術解析結果(評分點、技術表現等)。這些解析解結果,被同步疊加于動作視頻影像上,幫助運動員把獲取視頻信息的過程,由“主動分析”變為“被動接收”,縮短該過程的認知鏈條,減緩心理疲勞、增強反饋效果。系統可靠度已經歷3場全國比賽的檢驗,D分準確率達到99.92%,E分評分點準確率達到98.84%。
3 實際應用:AI輔助訓練,回歸專業需求
3-1 AI打標簽促使數據管理更加高效
“標簽”作為社科研究的核心要素之一,與科研分類思想整合,順應大數據技術的發展,其在無擾前提下,進一步促發人們對社會現象的認識效率。對競技體育備戰來說,高效的數據信息管理、解讀以及基于此做的決策,都無法脫離“標簽-分類”帶來的利好。在很多個人或團隊類競技項目中,信息標注和數據統計早已成為備戰工作的重要環節(訓練建議或比賽計劃等)。
團隊拓展建設“訓科醫一體化蹦床專項訓練數據管理系統”(目前訓科醫網絡數據庫累計存儲10w+訓練數據),每日訓練被識別、保存下來的感興趣片段,均被AI全自動的打上標簽,諸如動作的編排、完成質量、訓練時間等,進而一并存儲于網絡數據庫中。人們在檢索引擎中輸入“分段或成套的編排情況”“客觀分表現”“動作完成度評分”“時間”等,就可以迅速調取視頻和數據。
從“一個個錄像找、手動標注數據信息”到“應用AI標簽,構建應用個性化的‘信息圖譜’,高效復盤訓練表現”,隊伍的備戰工作效率能得到大幅提升。至于標簽種類的多元化和精細化,則是透過數據棱鏡挖掘項目制勝規律,輔助決策分析的重要錨點。
3-2 AI融入并扎根科學化訓練體系
技術創新終將服務與高水平競訓備戰,團隊從訓練負荷與專項技術兩方面挖掘數據,具體開展:負荷監控、動作分析、疲勞預測三方面工作。
①訓練安排——負荷量化與競技狀態調控
負荷是訓練的核心,對其的長期計劃和短期調控是運動能力提升和比賽競技狀態形成的主要方式。團隊根據過往研究方法和專家建議,綜合高度、難度兩方面計量運動負荷,輔助教練員計量專項訓練的量(分數轉換總和)與強度(課次或每日的組均水平),并將同時期的競技表現數據(T、E、其他技術特征)一并可視化呈現。
此外,團隊還將負荷計量數據應用于損傷預警,團隊參考相關綜述,設計蹦床項目的耦合加權慢性負荷(ACWR,Acute:Chronic Workload Ratio)計量方法,并進一步計算急慢性負荷比,輔助教練組、醫生、康復治療保障團隊,控制運動員的傷病發生、發展。
②專項解析——基于技術標注的統計學分析
從生物力學-技術分析的角度來看,蹦床動作的完成環節與銜接環節,均屬于分離性、開放性技術,因此,單組或同類動作的分析思路應當秉持:系統性、連續性原則。這與高水平從業者的表述一致“10個動作是一個連續的過程,把動作單獨拆分來看沒有意義”。
團隊基于用AI自動解析的數據標簽,進行統計分析(解析指標包括:動作的類型、飛行時間、翻轉角速度、重心運動趨勢、完成評分點、動作銜接等)。具體著重分析:同組數據下各指標間的關聯度、協同關系,不同動作分組間的組間差異(分組類型:時間段特征、動作編排順序、前一動作完成情況等)。基于技術表現數據幫助運動員快速鎖定技術問題,提升技術改進效率。
③有效訓練控制——異常技術與疲勞預測
訓練中教練員常關注運動員的疲勞程度,旨在把握有效訓練的比重和結構安排。僅依靠訓練量進行分析有一定的滯后性。僅在負荷的角度分析疲勞的科學性是否能夠被證偽?如何給出更科學的負荷調控建議?能不能幫忙“看見”疲勞?量化疲勞?這些具體問題都需要團隊嘗試解決。
團隊按專家指導,回歸技術表現特征,以“運動員疲勞狀態下動作代償,繼發技術表現波動”為切入點,分析運動疲勞的發生與外顯(下面左圖為陳小平老師的業務指導講解圖)。運動技術被視作運動競技表現的直接映射,運動員疲勞時的技術表現會出現異常情況。團隊利用此前存儲的海量運動學數據,通過構建動態的一般技術表現模型,進而分析運動員特殊組次運動技術表現與一般技術表現的差異,并進一步分析疲勞發生的具體情況(技術環節→身體部位)。
4 創新點復用與局限
4-1 復用
核心復用邏輯:先驗知識框架可復用,僅需替換領域專屬約束條件。例如:
從體操(空翻、轉體)遷移至跳水:保留“人體運動學規律+物理拋物線”基礎約束,替換為“入水姿態特征(如身體垂直度)、水花形態與動作關聯”等項目專屬先驗;
遷移至田徑(跳遠、跳高):保留“起跳/落地點坐標錨定”機制,新增“助跑速度與騰起初速度的物理關聯”“關節發力時序特征”等約束。
復用優勢:算法底層的“先驗約束嵌入邏輯”“二維-三維映射框架”無需重構,僅需更新先驗數據庫,遷移成本低。
4-2 局限性
①先驗知識適配成本
每類新場景需領域專家深度參與:如遷移至拳擊項目,需運動教練定義“拳套運動軌跡與發力點的關聯規則”,人力成本高;
動態更新難:若體育項目規則變化(如體操評分標準調整動作規范),先驗約束需同步迭代,滯后性可能影響技術適用性。
②單視角固有的物理局限
無法突破“單目深度歧義”本質:當目標完全遮擋關鍵特征點(如體操運動員團身時的自身遮擋),即使有先驗約束,仍可能產生三維坐標漂移;
尺度精度受限于場景特征:若待遷移場景中缺乏已知真實尺度坐標(如戶外無標記的滑雪場景),物理規律約束的校準參照缺失,誤差會累積。
5 結語
5-1 小結——讓AI“知其理,塑其形”
該創新區別于傳統技術對圖像數據的被動依賴,以“知其理,塑其形”的思想,耦合既定規律,提升了算法在專業場景中的魯棒性,進而優化三維坐標估算結果。
其在保留單視角(二維RGB圖像)原始數據采集方案的基礎上,利用兩級補償機制形成“姿態-位移”的雙重約束閉環。將蹦床項目的運動學規律、人體姿態變化規律等編碼為計算機語言,充分發揮先驗知識在算法中的關鍵作用,突破了二維圖像中“深度信息缺失”的限制,使算法模塊具備類似于從業者的“物理直覺”。相關輸出結果是視覺信息與約束條件共同優化下的最優解,確保姿態序列在物理上是可行的、符合人體運動極限和特定項目特征的,顯著提升了結果的可信度和實用性。
5-2 思考:體育人與AI的另一關系
此前,某教授曾在報告中提到:在現代體育場景中,體育人能夠借助人工智能,精準定位并著力解決體育行業中存在的“痛點”。從小清團隊服務國家蹦床隊的實踐經驗來看,若能對體育場景中的先驗知識進行系統的總結提煉,將在很大程度上影響AI技術方案的設計與落地。因而,作者以為:
體育學專業人員與AI的關系,并非只是“前者可以使用它、前者可以找到應用痛點”,前者對于項目特征的把握將極大程度引領算法方案的創新。尤其在垂直領域內,或應鼓勵用多元、系統的思維打破傳統技術桎梏。
your browser does not support the video tag
洛杉磯奧運周期,小清將繼續奮進、踏實做事,在科學化、數字化、智慧化訓練的路上不斷付出努力、保持探索精神,與中國蹦床共赴夢想。