Skateboard KI

Challenge

Viele Menschen finden immer weniger Zeit, regelmäßig Skatetricks zu trainieren, da die Anlagen zu weit weg oder überfüllt sind. Somit besteht das Bedürfnis, auch unabhängig von Zeit und Ort trainieren zu können.

Lösung

Das Ziel bestand darin, der breiten Masse an Skateboardern eine Möglichkeit zu bieten, sich unabhängig von Trainingszeiten bewerten zu lassen. Sie sollen durch eine App dazu in der Lage sein, ein Video ihres Tricks hochzuladen und dieses mithilfe eines KI-Algorithmus bewerten zu lassen. Die Bewertung findet also statt, ohne auf einen Richter angewiesen zu sein.

1. Potentialanalyse

Anhand des oben geschilderten Problems und Ziels erhielten wir eine Vorstellung über die benötigten Funktionen, Technologien und Architekturen der App. Zusammen mit dem Kunden konnten wir schnell in die Umsetzung des Projekts starten.

2. Use Case Definition

Anhand der Prozessanalyse definierten wir den Use Case der gewünschten App. Ein solcher Use Case enthält alle möglichen Szenarien, die mit Hilfe des Systems zu leisten sind.

Name

Skateboard KI

Kurzbeschreibung

Durch das Hochladen eines Videos in einer App soll den Benutzern die Möglichkeit geboten werden, den Trick von einem KI-Algorithmus bewerten zu lassen.

Akteure

Masasana GmbH

CA7 GmbH

Vorbedingung

Die KI ist trainiert und die App ist entwickelt.

Nachbedingung

Der bewertete Trick liegt dem Benutzer vor und ist in seinem Profil hinterlegt.

Ablauf – Normalszenario

1.Der Benutzer authentifiziert sich an dem System.

2.Der Benutzer lädt ein Video von einem Trick hoch.

3.Der Algorithmus prüft und verarbeitet die hochgeladenen Daten.

4.Der Algorithmus erkennt einen Trick.

5.Der Algorithmus erkennt, dass der Trick gestanden ist.

6.Das System gibt dem Benutzer eine Rückmeldung aus, in dem der Trick bewertet wird.

7.Das System hinterlegt die Daten in dem Profil des Benutzers.

Ablauf – Alternativszenario

1.1 Der Benutzer kann sich nicht authentifizieren.

1.1.1 Der Benutzer registriert sich und legt ein persönliches Profil an.

1.1.2 Weiter wie in Schritt 2.

5.1 Der Algorithmus erkennt, dass der Trick nicht gestanden ist.

5.1.1 Weiter wie in Schritt 6.

Ablauf – Fehlerszenario

1.2 Der Benutzer gibt fehlerhafte Login-Daten ein und kann nicht auf sein Profil zugreifen.

1.2.1 Das System gibt eine Fehlermeldung aus.

3.1 Der Algorithmus prüft und verarbeitet die hochgeladenen Daten nicht.

3.1.1 Das System gibt eine Fehlermeldung raus.

4.1 Der Algorithmus erkennt keinen Trick.

4.1.1 Das System gibt eine Fehlermeldung aus.

3. Iterative Modellerstellung

Abb. 1: Data Flow

Wir haben das Projekt mit einer klaren Vorstellung von verschiedenen Systemen, die sich gut ergänzen sollten, begonnen. Dazu haben wir einen Data Flow erstellt.

Um am Ende einen Trick erkennen und bewerten zu können, musste der Algorithmus diese erst kennenlernen. Dabei haben wir auf Technologien wie zum Beispiel LiDAR zurückgegriffen, die es uns ermöglichten, sowohl den Menschen als auch das Skateboard selbst im dreidimensionalen Raum zu verorten. Die daraus resultierenden Koordinaten wurden ausgewertet und genutzt, um ein KI-Modell zu trainieren. Dabei stellt Abbildung 2 die Bewegung eines Punktes des Pose Estimation Skelettes bei der Ausführung eines Tricks dar.

Abb. 2: Position Tracking

 

 

Somit bestand eine Aufgabe darin, eine künstliche Intelligenz so zu trainieren, dass sie unterschiedliche Tricks erkennen und bewerten kann. Dazu war eine Vielzahl von Videos notwendig, welche anschließend mit LabelImg von uns gelabelt wurden sind.

Das Ergebnis des Trainings ist, dass die KI das Skateboard in Form des Position Trackings erfasst und aufgrund der Positionen innerhalb der Bewegungen den Trick erkennt. Die KI-Bilderkennung unterscheidet durchgeführte Tricks in gestanden und nicht gestanden. Dementsprechend erkennt der Algorithmus der künstlichen Intelligenz den Trick, weiß wie dieser sich im Erfolgsfall verortet und kann aufgrund dessen eine Bewertung des Tricks ausgeben.

 

4. Integration und Ergebnisanalyse

Nach Einbindung der KI in die eigens entwickelte App konnten wir diese bei dem Kunden integrieren. Dazu haben wir dem Kunden ein Readme über Git gegeben, welche eine Einweisung in die Funktion der App und der künstlichen Intelligenz bat.

Cookie Consent mit Real Cookie Banner