深層転移学習に基づいた、フリースタイル スキーの空中競技における選手の発射速度の正確な予測
Scientific Reports volume 13、記事番号: 4308 (2023) この記事を引用
557 アクセス
1 引用
12 オルトメトリック
メトリクスの詳細
この記事に対する著者の訂正は、2023 年 5 月 8 日に公開されました。
この記事は更新されました
打ち出し速度を自動的に取得することは、フリースタイル スキーの空中競技でアスリートが良い結果を達成することを強力に保証します。 アスリートが高得点を獲得していることを説明する出版された研究のほとんどでは、アシストスライディング距離は完全にコーチ、さらにはアスリート自身の経験に依存しており、最適ではない可能性があります。 本論文の主な目的は、取得システムを使用し、補助滑走距離と速度の対応関係を自動的に取得する人工ニューラル ネットワーク (ANN) モデルを開発することです。 雪の摩擦係数、風速、風向、傾斜、高さ、重量の影響を Unity3D エンジンでシミュレートできます。 温度、湿度、傾斜角の影響は、プロのテスターによって実際の環境で測定する必要があり、これは大変な作業です。 ニューラル ネットワークは、エンコードされた特徴を取得するために、最初に十分なシミュレーション データによってトレーニングされます。 そして、シミュレーション環境で学習した情報を別のネットワークに転送します。 2 番目のネットワークは、20 人のプロのテスターから取得したデータを使用します。 転移学習を行わないモデルと比較して、提案手法のパフォーマンスは大幅に向上しました。 テスト セットの平均二乗誤差は 0.692 です。 設計された深層転移学習 (DTL) モデルによって予測された速度が実験による測定結果とよく一致していることが観察されます。 その結果、提案した転移学習法は、フリースタイルスキーの空中競技において、選手の滑走距離や蹴り出し速度の補助を予測するツールとして有効なモデルであることが示された。
フリースタイルスキーのエアリアル競技は、世界中で注目を集めるスポーツです。 このプロジェクトは主にアスリートのテクニックと柔軟性を実証しており、アスリート自身のスポーツ特性や身体的特徴と非常に一致しています1。 したがって、フリースタイル スキーの空中競技は、選手にとって冬季オリンピックで金メダルを獲得するための重要な進歩であり続けています。 フリースタイルスキーのエアリアル種目の動作構成は主に滑走補助フェーズ、離陸フェーズ、エアリアルフェーズ、着地フェーズの4つのフェーズに分かれています。 通常、これら 4 つのフェーズは相互に接続され、相互に促進し、相互作用します。 アクションの成否を決める重要な要素の 1 つは、立ち上がりの高さのコントロール、つまり、補助滑りフェーズの終了時の飛び出し速度のコントロールです。 空中サイトの図と側面図を図 1 に示します。図 1 では、4 つのフェーズと重要な発射速度ポイントが詳細に示されています。
空中サイトの図と側面図。
ただし、打ち上げの速度は多くの要因に影響されます。 これまでの大会では、フリースタイルスキーのエアリアル種目における補助滑走距離は、コーチや選手自身の経験に完全に依存していたり、滑走テストを繰り返して最終的な判断を行っていたりするなど、必ずしも最適とは言えなかった。 さらに、屋外での試験の実施には時間がかかり、労力がかかります2、3、4。 アシスト滑走速度は雪の状態、周囲の環境、滑走斜面の影響を受けます。 雪の状態には雪の温度、硬さ、質感などが含まれます5、6、7。これらはすべて雪の摩擦係数に直接影響し、滑り速度に影響します。 アスリートの繰り返しの滑走テストの限界は、スキー雪トライボメーター システムを使用することで克服できます。 スキー雪トライボメータ システムは、客観的で高速かつ信頼性の高い測定が可能なため、推奨されます。 しかし、スキー雪トライボメータ システムの開発に関して行われた研究はほとんどありません。 既存の測定システムは、次の 2 つのカテゴリに分類できます。(1) リニア トライボメータ 6、8。 (2)回転トライボメータ9. 既存のシステムの限界は、サンプルのサイズとシステムの構造により、スキー板に沿った摩擦の測定に対応できないことです。 さらに重要なのは、雪の摩擦係数以外にも、選手のスピードはアシスト滑走距離、風速、風向、傾斜、高さ、体重温度、湿度、傾斜角にも関係します。 残念ながら、既存の測定モデルでは、アスリートが良い結果を達成できるように速度とこれらの要因との関係を直接的に示すことはできず、これはアスリートにとって不利です。