عنوان

طراحی و پیاده‌سازی سیستم مربی مصنوعی جهت آنالیز ضربات تنیس‌روی‌میز

پ۲۵۳۳۵

per

طراحی و پیاده‌سازی سیستم مربی مصنوعی جهت آنالیز ضربات تنیس‌روی‌میز

سحر شکوهی تبریزی

مهندسی برق و کامپیوتر

۱۴۰۰

۱۲۶ص.

سی دی

دکتری

مهندسی کامپیوتر گرایش هوش مصنوعی

۱۴۰۰/۰۶/۱۶

بررسی مطالعات قبلی نشان می‌دهد که یک سیستم عملی و هوشمند مقرون ‌به‌‌صرفه در دسترس عموم با حفظ حریم شخصی و غیرتهاجمی، می‌تواند یک راه‌حل مناسب برای کمک به ورزشکارانی که دسترسی به مربی حرفه‌ای ندارند، باشد. بنابراین، با بهره‌گیری از فن‌آوری حسگرها همراه با الگوریتم‌های یادگیری ماشین می‌توان یک روش مناسب برای غلبه بر این کمبود ارایه داد. در ورزش تنیس‌روی‌میز به‌عنوان یکی از ورزشهای محبوب راکتی، تکنیک بازی - سایه مهارت‌های حرکت راکت بازیکنان را بهبود می‌بخشد. تمرین ضربه‌های تنیس‌روی‌میز بدون توپ تعریف اصطلاح "بازی - سایه" در این ورزش می‌باشد. در این روش آموزشی، جهت اثربخشی می‌بایست ضربات به‌دفعات زیادی تکرار شوند و اجرای این ضربات تحت نظارت مربی انجام شود. پرواضح است که این مهم برای همه بازیکنان در هر سطحی امکان‌پذیر نیست. فلذا یک سیستم عملی و هوشمند که مقرون‌به‌صرفه بوده و در دسترس عموم باشد، می‌تواند یک راه‌حل مناسب برای کمک به ورزشکارانی باشد که دسترسی به مربی حرفه‌ای ندارند. هدف اصلی این رساله توسعه یک سیستم آموزش بازی - سایه فورهند تنیس‌روی‌میز بصورت مربی مجازی است. این سیستم کمک آموزشی شامل چهار فاز با سه ماژول اصلی است. این فازها عبارتند است: 1) جمع‌آوری نمونه‌های مورد مطالعه 2) طبقه‌بندی و تشخیص نمونه‌ها 3) ارزیابی کیفی نمونه‌ها 4) بازخورد کلامی به بازیکن. سه ماژول اصلی بترتیب مسئولیت 1) شناسایی و طبقه‌بندی نوع ضربه فورهند 2) تخمین امتیاز کیفی داده شده به هر یک از ضربات و 3) ماژول راهنما با تولید بازخورد کلامی و بصری مناسب و قابل فهم برای بازیکن را دارند. جنبه عملی این پژوهش مربوط به فاز اول است که از روش سنجش حسگر شی برای توسعه ابزار جمع‌آوری نمونه‌ها استفاده شده است. این ابزار از یک راکت استاندارد مجهز به یک حسگر BNO055تشکیل شده است. یکی دیگر از جنبه‌های عملی این رساله، گروه مربیانی است که در طراحی پروتکل‌های جمع‌آوری نمونه‌ها مشارکت داشته و در ادامه مسئولیت نظارت بر فاز جمع‌آوری نمونه‌ها برچسب‌گذاری و امتیازدهی کیفیتی ضربات را نیز برعهده داشتند. جنبه فنی این پژوهش مربوط به توسعه سه ماژول اصلی سیستم و انتخاب مدل‌های یادگیری ماشینی است. در ماژول اول این پژوهش عملکرد سه مدل 2DCNN ،LSTM و RBF-SVM با استفاده از آزمون‌هایی که طراحی شده بود، مقایسه شده‌اند. مدل پیشنهادی LSTM بر اساس معیار میانگین خرد امتیاز اف1 تقریباً 4% عملکرد بهتری در مقایسه با دو مدل دیگر دارد. علاوه بر این نرخ خطای شناسایی و طبقه‌بندی ضربات در مدلLSTM برابر با 87/0% بوده که به مراتب بسیار پایین‌تر از دو مدل دیگر است. در ماژول دوم مطالعه به همین ترتیب سه روش مختلف رگرسیون غیرخطی LSTM ، 2DCNNR و RBF-SVR استفاده و مقایسه شده‌اند. نتایج نشان می‌دهد که سه مدل LSTM با میانگین وزنی عملکرد هر سه LSTM برای معیار RMSE برابر است با 39/3، برای معیار MAPE برابر است با 05/0، برای معیارMAE برابر است با 86/2 و نهایتاً نتیجه معیارR ̅^2 برابر با 7/99% می‌باشد. با توجه به داده‌های سری زمانی گسسته، و جنبه فنی این مطالعه نتایج بدست آمده نشان می‌دهد که مدل‌های پیشنهادیLSTM پتانسیل بالایی برای استفاده موفقیت آمیز در دو ماژول اول سیستم کمک آموزشی بازی - سایه تنیس‌روی‌میز را دارد. در خصوص ماژول سوم بعد از شناسایی پارامترهای مدل بهینه به دلیل غیر قطعی بودن ورودی‌های سیستم بازخورد، از مدل ANFIS جهت تولید بازخورد کلامی استفاده شده است. این سیستم مبتنی بر منطق فازی، عملکرد 64/2 برای معیارRMSE، برروی داده‌های جمع آوری شده را از خود نشان داد

Previous studies showed that a cost-effective, intelligent system with considering privacy and non-intrusive could be an appropriate solution to help athletes who have not access to a professional coach. Therefore, using sensor production technology along with machine learning algorithms provided a suitable method to overcome this shortage. The main purpose of this dissertation is to develop a Shadow-play Forehand Table Tennis training system as a virtual coach. This teaching aid system consists of four phases with three main modules. These phases are: 1) Sample Strokes collection 2) Strokes classification and Recognition 3) Strokes qualitative evaluation 4) verbal and Visual feedback to the player. The three main modules are responsible for 1) Recognition and classifying the type of forehand, 2) Estimating the value of strokes quality, and 3) guiding module by producing verbal and visual feedback that is appropriate and understandable for players.By considering the practical aspect, first phase, object sensor sensing modality was used in this study to develop the data collection tool. As a miniaturized and inexpensive sensing tool, the IMU (BNO055) was embedded in the center of the standard Table Tennis racket’s surface to measure movements and orientations of strokes automatically. Moreover, as another practical aspect of the study, the coaching group who participated in this study set scores of the performed strokes’ quality and labeled them manually. Considering the technical aspect, next three phase, is related to the development of the system main modules and the selection of an appropriate ML models. In the first module of this research, the performance of three ML models 2DCNN, LSTM and RBF-SVM was evaluated. The empirical results suggest that the LSTM and the 2D-CNN classification outperforms with a substantial performance increase of approximately 7% more than the RBF-SVM. In addition, in the case of models sensitivity to the number of training samples it can be said that, the LSTM model performance on the self-collected dataset is not significantly sensitive to the number of training samples. However, the number of the developed RBF-SVM parameters is significantly less than other two deep models and are easy to set. In the second module of the study, the performance of three different nonlinear regression methods LSTM, 2DCNNR and RBF-SVR were evaluated. The experimental results of the weighted average of RMSE revealed that the modified LSTM models achieved 33.79% and 4.24% estimation error lower than 2DCNN and RBF-SVR, respectively. However, the R2 results show that all nonlinear regression models are fit enough on the observed data. Thus, based on the type of collected data, the proposed LSTM would be an appropriate, and high-performance ML shadow-play strokes recognition and evaluation models solution for the first and second module of the virtual-coach Table Tennis shadow play training system in this study. To complete the final phase of the system, facing uncertainly data challenges is inevitable. Thus, adapting model based on the Fuzzy Inference Systems with neuro-fuzzy approach could be an appropriate solution to overcome this challenge. The proposed ANFIS system is used to generate verbal feedback with a performance of 2.64 error in the case of RMSE metric

Design and Implementation of Artificial Coaching System for Motion Analysis of Table Tennis Strokes

شکوهی تبریزی

‏ سحر

تهيه کننده

پاشازاده

جوانی

‏‏ سعید

‏ وجیهه

استاد راهنما

استاد مشاور

‏ تبریز