第 1 部分：你无法再依靠勇气理论获胜 (1/3) |系列02 保护运动员并做出更公平决定的体育技术|望远镜杂志

编号025

专题：科技的进步带来体育运动的变革。

分享

0
帖子

序列化02

保护运动员并做出更公平决定的运动技术

系列报告

使用流体力学

技术并不适合不同的运动领域。流体动力学模拟长期以来一直用于跳台滑雪比赛。跳跃比赛要求运动员以完美的形态尽可能地跳远。从跳山起点滑下时，尽量放慢速度，到达交叉平台时跳下。一旦它们飞出去，它们就会掉下来，但通过尽可能地利用浮力并尽可能地留在空中，它们会增加飞行的距离（图1）。

[图1]跳台滑雪的形式应该类似于飞机机翼
来源：Yamamoto, Tsubokura“跳台滑雪的流体力学”，生物力学学会杂志，第 42 卷，第 3 期、
和“用滑雪板和身体升降机飞行〜大仓山跳跃体育场”

最佳的条件是到达交叉平台之前减少空气阻力的姿势，以及起飞后增加浮力的姿势。这两个位置的最佳气流是通过求解流体动力学方程来确定的。这还涉及求解从简单的二维平面到三维平面的流体方程。因此，现在的风格是保持蹲伏姿势，双手向后伸展，直到到达交叉平台，然后身体前倾，保持V形姿势，几乎与滑雪板平行。

可视化空气阻力

我们使用流体力学来表达和可视化气流如何影响人体。为了可视化，我们使用线条来表达空气的流动，并通过改变颜色来表达粗糙度和密度。在速度滑冰和短距离自行车比赛中，流体动力学模拟表明，第一批参赛者会经历最强的风，耗尽他们的体力。

过去，风洞实验是用巨型电风扇产生风并目视检查气流，以找到空气阻力较小的姿势，但最近可以通过使用超级计算机和 HPC（高性能计算）的数值计算来可视化气流。通过改变姿势的方向并计算哪种姿势最不容易受到空气阻力的影响，您可以找到最佳姿势。

人工智能和机器学习的利用

最近，利用人工智能（尤其是机器学习）进行数据分析引起了人们的关注。机器学习可以通过记忆各种模式来识别和分类新模式，而无需人类进行精确编程。

如果我们将这种机器学习应用到体育运动中，我们能做什么？棒球运动就是一个例子。 Ray Hensberger 是美国解决方案提供商博思艾伦 (Booz Allen Hamilton) 战略创新组的工程师，负责数据安全、数据分析和咨询业务，他积累并分析了大联盟投手在三个赛季中投出的投球类型数据（参考资料 1）。三个赛季的时间里，投手总数达到了 900 名。他对数据进行了建模，并使用机器学习对其特征进行了分类。

结果，他能够击出 400 种不同类型的球，包括快球、曲线球和滑球，概率为 745%。机器学习数据包括投球时上垒的球员人数、投手是左手投球还是右手投球、比赛如何展开、曲线球释放位置、快球速度、投球选择、滑块移动等等。为了验证学习模型，提高学习的准确性，通过反复的相互检查来确认学习模型的有效性。

虽然目标不是让运动员变得更强，但 IBM 已经使用 Watson（一台专用于机器学习的计算机）在短短两分钟内自动编辑了 18 场网球比赛的精彩片段。该系统可以从人群喧闹的镜头、决定比赛的最终场景以及球员的手势中识别信号亮点。例如，Watson 将球员打出发球、挥拳或张大嘴露出牙齿等场景识别为精彩片段，并将其归类为精彩场景（参考资料 2）。

利用蓝牙信标提高玩家位置准确性

人工智能并不是当今唯一的技术。使用物联网的应用程序数量也在增加。例如，如果玩家的衣服上贴有 GPS（全球定位系统），则可以跟踪每个玩家的动作。这对于有 10 名或更多球员的运动（例如足球和橄榄球）尤其有效。然而，仅靠传感器无法进行分析。当与人工智能等技术结合使用来分析来自传感器的数据时，它的功能非常强大。

但是，GPS 确定玩家位置的准确度仍然很低。单独使用 GPS 时，会有约 ±10m 的误差，但如果使用“差分 (D) GPS 方法”，即通过放置参考 GPS 信号的基站并获取该参考站与 GPS 信号之间的差异来减少误差，则误差可降至约 ±2m。即使这样也不足以确定运动员的位置。本来，误差必须控制在厘米以内。随着最近的 GNSS（全球导航卫星系统）取代 GPS，误差只有几十厘米。然而，除非发射至少四颗定位卫星，否则无法达到足够的精度。这是因为它需要求解四维联立方程。

Catapult Sports 是一家澳大利亚公司，它正在开发一种设备，可以更清晰地可视化足球和橄榄球等运动中各个运动员的动作，在这些运动中，许多运动员组成一个团队。该设备的大小约为智能手机的一半，可放置在人衣服背面的口袋中（图 2），以可视化玩家的动作。

使用放置在体育场周围的蓝牙信标接收器跟踪运动员的运动（图 3），这些接收器从运动员佩戴的设备接收蓝牙信号，并根据信号强度计算他们的位置。 GPS精度较差，但这种蓝牙信标方式可以确定玩家的位置，误差在10厘米左右。