实验室声音 taptap点点官网入口生成的 AI 纠正网球初学者的发球动作

　当我认为它对于不依赖直觉或经验的培训支持可能有用时，这一切就开始了。初学者挥拍时手臂无法完全抬起，下半身贴在地面上。另一方面，经验丰富的球员通过利用身体弹簧跳跃并尽可能高地接球来大力击球。
　我们认为，通过从初学者的动作中提取基于人的独特习惯和身体结构的特征，并将其重新生成为有经验的人的动作，同时保留这些特征，可以建议应该改变什么样的动作。我taptap点点官网入口“域适应”来重新生成它。域是指分类或类别。适应意味着应用。这是对两个类别的研究：初学者和经验丰富的用户，其中初学者的领域被重新创建以类似于经验丰富的用户的领域。（视频 1）

　领域适应已经在机器学习中taptap点点官网入口了很长时间，但在我们的实验室中，我们taptap点点官网入口了基于深度学习的尖端技术。生成式AI将数据转换成一种叫做“特征”的东西，然后根据特征将其转换成你想要的东西。一个熟悉的例子是打印贴纸机的面部处理技术。有时您会编辑自己的照片，使其看起来更漂亮或更漂亮。生成式AI将原始面部特征数字化，然后将其转换为使面部变得可爱或美丽的数值。

　对于这项研究，我们得到了一家网球学校的合作。我们用相机拍摄了初学者和老手发球的照片，以膝盖、肘部等17个关节为坐标点将其重建为三维数据，并提取每个人的动作特征。（视频 2）。
　由于发球动作是包含时间序列的复杂数据，通常很难使提取的特征保持一致。在人工智能领域，有一种叫做“潜在空间”的东西，它抽象地表达了高维数据的特征。发球的运动在潜在空间中表达（图1）左边的图像是taptap点点官网入口传统方法提取的，右边的图像是taptap点点官网入口我们实验室开发的方法提取的。
　这些点针对每个人进行了颜色编码，例如红色、蓝色和橙色。在左边的图像中，各种颜色集中成一个圆圈，但在右边的图像中，颜色分布在一条向右下方倾斜的线上。这些点中的每一个都包括从球拍向上挥动到向下挥动的运动，但通过创建右侧的图表，现在可以根据运动来理解转变。

　因为是网球发球的动作，所以初学者和老手的数据必须与每个位置的动作相匹配：拍起时的动作、接球时的动作、击球后球离开时的动作。此外，骨骼根据身体的大小而有所不同，因此我们必须考虑到这一点并提前训练人工智能。
　由于这些努力，我们现在能够再现自然的运动。

　我以前在另一所大学的时候做过研究，我分析了棒球投手状态好的时候和状态差的时候的形态。我觉得团体项目和竞技项目比较难，因为有很多复杂的动作，但是我觉得适合像射箭这样位置固定的个人项目。近年来，利用人工智能制定策略和培训裁判在体育领域不断增加，因此我们相信这项研究将带来多种应用。

　人工智能研究的技术创新非常激烈，每六个月就会出现突破。教职人员每年都能在毕业研究中监督前沿研究，这是非常有意义的。学生因为可以立即工作而受到各种公司的追捧，备受追捧。以前，即使你学的是人工智能，也可能会被分配到一个与人工智能无关的部门，但现在，企业寻找人工智能人才的趋势很强烈，越来越多的毕业生从事研究工作。我的学生在顶级公司参与产品创造并成为社会热门话题的情况并不少见，我为他们感到非常自豪。