JP7071018B1 - 評価装置、方法及びプログラム - Google Patents
評価装置、方法及びプログラム Download PDFInfo
- Publication number
- JP7071018B1 JP7071018B1 JP2021022690A JP2021022690A JP7071018B1 JP 7071018 B1 JP7071018 B1 JP 7071018B1 JP 2021022690 A JP2021022690 A JP 2021022690A JP 2021022690 A JP2021022690 A JP 2021022690A JP 7071018 B1 JP7071018 B1 JP 7071018B1
- Authority
- JP
- Japan
- Prior art keywords
- evaluation
- feint
- action
- motion
- predicted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000009471 action Effects 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Abstract
【課題】フェイント動作の評価精度を向上できる評価装置、方法及びプログラムを提供すること。【解決手段】本開示の評価装置１０は、取得部１１及び評価部１２を備える。取得部１１は、撮像されたプレイヤのフェイント動作を取得する。評価部１２は、予め記憶されている機械学習による学習済みモデルに基づいてフェイント動作を評価する。ここで、評価部１２は、学習済みモデルよって予測される予測動作と異なるか否かに基づいてフェイント動作を評価する。【選択図】図１
Description
本発明は、評価装置、方法及びプログラムに関する。
スポーツのプレイヤは、参考書や他人のプレーからフェイントの方法等の情報を入手し、実践で試す。センスの高いプレイヤは、見ただけでプレーを体現させることができるが、多くのプレイヤは体現させることができない。また、プレイヤは、指導者にアドバイスをもらう場合、プレーがどのように向上したのか分かり難い。
特許文献１では、機械学習したモデルを用いて運動中の選手のプレーや演技などの動作を客観的に評価する技術が開示されている。
特許文献１では、機械学習したモデルを用いて運動中の選手のプレーや演技などの動作を客観的に評価する技術が開示されている。
特許文献１では、動作（プレー、演技）と点数とが紐づけられた学習モデルに沿って選手の動作の完成度が評価される。ここで、プレーのなかでもフェイント動作は、相手を惑わす動作であり、その完成度は相手の予測を裏切った場合に高く評価される。しかしながら、特許文献１では、当該内容は開示されていない。したがって、特許文献１では、フェイント動作の評価精度に改善の余地があるという課題があった。
本開示は、そのような課題を解決することによって、フェイント動作の評価精度を向上できる評価装置、方法及びプログラムを提供することを目的とする。
本開示の評価装置は、撮像されたプレイヤのフェイント動作を取得する取得部と、予め記憶されている機械学習による学習済みモデルに基づいて前記フェイント動作を評価する評価部と、前記評価部は、前記学習済みモデルよって予測される予測動作と異なるか否かに基づいて前記フェイント動作を評価する。
本開示の方法は、撮像されたプレイヤのフェイント動作を取得することと、予め記憶されている機械学習による学習済みモデルに基づいて前記フェイント動作を評価することと、を含み、前記フェイント動作を評価することは、前記学習済みモデルよって予測される予測動作と異なるか否かに基づいて前記フェイント動作を評価することを含む。
本開示のプログラムは、撮像されたプレイヤのフェイント動作を取得する処理と、予め記憶されている機械学習による学習済みモデルに基づいて前記フェイント動作を評価する処理と、をコンピュータに実行させ、前記フェイント動作を評価する処理は、前記学習済みモデルよって予測される予測動作と異なるか否かに基づいて前記フェイント動作を評価する処理を含む。
本開示により、フェイント動作の評価精度を向上できる評価装置、方法及びプログラムを提供することができる。
以下では、本開示を適用した具体的な実施の形態について、図面を参照しながら詳細に説明する。各図面において、同一要素には同一の符号が付されており、説明の明確化のため、必要に応じて重複説明は省略する。
（第１の実施形態）
まず、図１を用いて、第１の実施形態に係る評価装置１０の構成を説明する。
評価装置１０は、取得部１１及び評価部１２を備える。取得部１１は、撮像されたプレイヤのフェイント動作を取得する。評価部１２は、予め記憶されている機械学習による学習済みモデルに基づいてプレイヤのフェイント動作を評価する。
まず、図１を用いて、第１の実施形態に係る評価装置１０の構成を説明する。
評価装置１０は、取得部１１及び評価部１２を備える。取得部１１は、撮像されたプレイヤのフェイント動作を取得する。評価部１２は、予め記憶されている機械学習による学習済みモデルに基づいてプレイヤのフェイント動作を評価する。
続いて、第１の実施形態に係る評価装置１０の動作を説明する。
まず、取得部１１は、撮像されたプレイヤのフェイント動作を取得する。次に、評価部１２は、予め記憶されている機械学習による学習済みモデルに基づいてプレイヤのフェイント動作を評価する。具体的には、評価部１２は、学習済みモデルよって予測される予測動作と異なるか否かに基づいてフェイント動作を評価する。
まず、取得部１１は、撮像されたプレイヤのフェイント動作を取得する。次に、評価部１２は、予め記憶されている機械学習による学習済みモデルに基づいてプレイヤのフェイント動作を評価する。具体的には、評価部１２は、学習済みモデルよって予測される予測動作と異なるか否かに基づいてフェイント動作を評価する。
上述するように、第１の実施形態に係る評価装置１０は、機械学習による予測動作と異なるか否か（予測を裏切ったか否か）でフェイント動作を評価できる。したがって、評価装置１０は、フェイント動作の評価精度を向上できる。
（第２の実施形態）
まず、図２－図３を用いて、第２の実施形態に係る評価装置２０の構成を説明する。図２－図３に示すように、評価装置２０は、第１の実施形態に係る評価装置１０を具体化したものであり、撮像部２１、取得部２２、評価部２３、出力部２４、学習部２５及び記憶部２６を備える。取得部２２及び評価部２３は、それぞれ第１の実施形態に係る取得部１１及び評価部１２に対応する。
まず、図２－図３を用いて、第２の実施形態に係る評価装置２０の構成を説明する。図２－図３に示すように、評価装置２０は、第１の実施形態に係る評価装置１０を具体化したものであり、撮像部２１、取得部２２、評価部２３、出力部２４、学習部２５及び記憶部２６を備える。取得部２２及び評価部２３は、それぞれ第１の実施形態に係る取得部１１及び評価部１２に対応する。
撮像部２１は、例えばカメラなどの撮像機能を有し、評価対象のプレイヤのフェイント動作の画像（複数枚の一連の画像）又は動画を撮像する。例えば、撮像部２１は、評価装置２０のユーザの操作によって、練習中の単体のプレイヤの動作を前方から撮像する。そして、撮像部２１は、撮像された撮像画像を取得部２２に供給する。
取得部２２は、撮像部２１から撮像画像を取得する。また、記憶部２６に記憶された撮像画像を取得してもよい。そして、取得部２２は、プレイヤのフェイント動作を評価する評価動作が評価部２３によって実行される場合、取得された撮像画像を評価部２３に供給する。また、取得部２２は、プレイヤのフェイント動作を学習する学習動作が学習部２５によって実行される場合、取得された撮像画像を学習部２５に供給する。
評価部２３は、評価装置２０における評価動作を実行する。取得部２２から撮像画像を取得する。評価部２３は、撮像画像と予め記憶部２６に記憶されている学習済みモデルとに基づいてプレイヤのフェイント動作を例えば点数化するなどして評価する。
ここで、評価部２３は、学習済みモデルよって予測される予測動作と異なるか否かに基づいてフェイント動作を評価する。具体的には、評価部２３は、フェイント動作における第１のアクションを抽出する。アクションとは、一連のフェイント動作においてプレイヤが実行する動作であり、例えば、左右に加速する、状態を左右に傾ける、ボールをまたぐ、視線を変える等の動作である。そして、評価部２３は、第１のアクションの次に実行される第２のアクションが学習済みモデルよって予測される予測アクションと異なる場合の評価を、第２のアクションが予測アクションと同様である場合の評価より高くする。そして、評価部２３は、一連のフェイント動作における得点を集計し、点数を算出する。
加えて、評価部２３は、学習済みモデルを用いて、フェイント動作とスキルが所定の水準以上のプレイヤのフェイント動作との類似度に基づいてフェイント動作を評価してもよい。
加えて、評価部２３は、学習済みモデルを用いて、フェイント動作とスキルが所定の水準以上のプレイヤのフェイント動作との類似度に基づいてフェイント動作を評価してもよい。
出力部２４は、評価部２３によって算出された点数をディスプレイ等に出力する。また、出力部２４は、評価装置２０と接続又は通信する例えば携帯端末などの外部機器に算出された点数を出力してもよい。そうすることによって、評価装置２０のユーザは、プレイヤのフェイント動作を定量的に評価できる。
学習部２５は、評価装置２０における評価動作を実行する。学習部２５は、取得部２２から撮像画像を取得する。そして、学習部２５は、フェイント動作を点数化するための学習モデルを生成する。以下、学習が完了した学習モデルを学習済みモデルとする。
記憶部２６は、学習部２５によって生成された学習モデル及び学習済みモデルを記憶する。なお、記憶部２６は、撮像部２１で撮像されたプレイヤの画像又は動画を記憶していてもよい。
記憶部２６は、学習部２５によって生成された学習モデル及び学習済みモデルを記憶する。なお、記憶部２６は、撮像部２１で撮像されたプレイヤの画像又は動画を記憶していてもよい。
続いて、図４を用いて、第２の実施形態に係る評価装置２０の評価動作を説明する。
図４に示すように、まず、撮像部２１は、例えばカメラなどの撮像機能を有し、プレイヤのフェイント動作の画像（複数枚の一連の画像）又は動画を撮像する。そして、取得部２２は、撮像部２１から撮像画像を取得する（ステップＳ１０１）。さらに、取得部２２は、取得した撮像画像を評価部２３に供給する。
図４に示すように、まず、撮像部２１は、例えばカメラなどの撮像機能を有し、プレイヤのフェイント動作の画像（複数枚の一連の画像）又は動画を撮像する。そして、取得部２２は、撮像部２１から撮像画像を取得する（ステップＳ１０１）。さらに、取得部２２は、取得した撮像画像を評価部２３に供給する。
次に、評価部２３は、受け取った撮像画像と記憶部２６に記憶された学習済みモデルとを用いてプレイヤのフェイント動作を点数化する（ステップＳ１０２）。
例えば、ステップＳ１０２において、図５に示すように、評価部２３は、学習済みモデルよって予測される予測動作と異なるか否かに基づいてフェイント動作を評価する。具体的には、評価部２３は、受け取った撮像画像に含まれるフェイント動作における任意の第１のアクションを検出する（ステップＳ２０１）。次に、評価部２３は、検出された第１のアクションの次の第２のアクションを抽出する（ステップＳ２０２）。
例えば、ステップＳ１０２において、図５に示すように、評価部２３は、学習済みモデルよって予測される予測動作と異なるか否かに基づいてフェイント動作を評価する。具体的には、評価部２３は、受け取った撮像画像に含まれるフェイント動作における任意の第１のアクションを検出する（ステップＳ２０１）。次に、評価部２３は、検出された第１のアクションの次の第２のアクションを抽出する（ステップＳ２０２）。
次に、評価部２３は、第２のアクションを実際の次のアクションが裏切っているか否かに基づいてプレイヤのフェイント動作を点数化する（ステップＳ２０３）。具体的には、評価部２３は、第２のアクションが学習済みモデルよって予測される予測アクションと異なる場合の評価を、第２のアクションが予測アクションと同様である場合の評価より高くする。例えば、図６に示すように、学習済みモデルは、１０％の確率でプレイヤが第２のアクションで右に加速する、又は９０％の確率でプレイヤが第２のアクションで左に加速すると予測する。その場合、評価部２３は、実際にプレイヤが第２のアクションで右に加速した場合、９点とする。一方、評価部２３は、実際にプレイヤが第２のアクションで左に加速した場合、１点とする。なお、点数の値は、前述したものに限られず、実際にプレイヤが第２のアクションで右に加速した場合、９点としたところを９０点と算出してもよい。
評価部２３は、ステップＳ２０１～ステップＳ２０３の動作を同一のフェイント動作において繰り返してもよい。その場合、評価部２３は、フェイント動作における一連のアクションの総合点数を平均や加算することによって点数として算出してもよい。
最後に、出力部２４は、評価部によって算出された点数をディスプレイ等に出力する（ステップＳ１０３）。例えば、評価部２３は、Ａさんが７．５点、Ｂさんが８．５点、Ｃさんが９．０点のように個人ごとにフェイント動作を点数化でき、出力部２４は、プレイヤ毎に算出された点数を出力できる。
続いて、図７を用いて、第２の実施形態に係る評価装置２０の学習動作を説明する。
図７に示すように、まず、取得部２２は、教師データを取得する（ステップＳ３０１）。評価装置２０のユーザは、教師データとして例えばプレイヤが行うフェイント動作の画像や動画を用いる。次に、学習部２５は、取得部２２によって取得された教師データからフェイント動作を学習し、上述した評価部２３がプレイヤのフェイント動作を学習し、フェイント動作を点数化するための学習モデルを生成する（ステップＳ３０２）。次に、学習部２５は、生成された学習モデルを記憶部２６に記憶する（ステップＳ３０３）。ここで、評価装置２０は、ステップＳ２０１において教師データを繰り返し取得し、学習モデルを成長させてもよい。最終的に構築された学習モデルを学習済みモデルと称する。
図７に示すように、まず、取得部２２は、教師データを取得する（ステップＳ３０１）。評価装置２０のユーザは、教師データとして例えばプレイヤが行うフェイント動作の画像や動画を用いる。次に、学習部２５は、取得部２２によって取得された教師データからフェイント動作を学習し、上述した評価部２３がプレイヤのフェイント動作を学習し、フェイント動作を点数化するための学習モデルを生成する（ステップＳ３０２）。次に、学習部２５は、生成された学習モデルを記憶部２６に記憶する（ステップＳ３０３）。ここで、評価装置２０は、ステップＳ２０１において教師データを繰り返し取得し、学習モデルを成長させてもよい。最終的に構築された学習モデルを学習済みモデルと称する。
第２の実施形態に係る評価装置２０は、第１の実施形態に係る評価装置１０と同様に、機械学習による予測動作と異なるか否かでフェイント動作を評価できる。したがって、評価装置２０は、フェイント動作の評価精度を向上できる。
また、評価装置２０は、点数化されたプレイヤのフェイント動作をフィードバックする。そうすることによって、評価装置２０のユーザは、プレイヤ間のフェイント動作の良し悪しの比較ができる。また、プレイヤは自身の課題を客観的に評価できる。
また、評価装置２０は、点数化されたプレイヤのフェイント動作をフィードバックする。そうすることによって、評価装置２０のユーザは、プレイヤ間のフェイント動作の良し悪しの比較ができる。また、プレイヤは自身の課題を客観的に評価できる。
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。
（変形例１）
例えば、ステップＳ１０２において、評価部２３は、学習済みモデルを用いて、フェイント動作とスキルが所定の水準以上のプレイヤのフェイント動作との類似度に基づいてフェイント動作を点数化してもよい。
例えば、ステップＳ１０２において、評価部２３は、学習済みモデルを用いて、フェイント動作とスキルが所定の水準以上のプレイヤのフェイント動作との類似度に基づいてフェイント動作を点数化してもよい。
具体的には、変形例１の学習部２５は、ステップＳ３０１において、教師データとして例えばフェイントの上手なプレイヤが行うフェイント動作の画像や動画を用いて学習済みモデルを生成する。そして、評価部２３は、受け取った撮像画像に含まれるフェイント動作から、所定の指標を用いて、プレイヤのフェイント動作とスキルが所定の水準以上のプレイヤのフェイント動作との類似度を算出する。所定の指標とは、例えば、プレイヤの全体的な動き、目線、体の向き、手の動き、足の動き、動作緩急の付け方、ボールの位置等である。そして、評価部２３は、例えば類似度が９０％であれば９．０点のように、類似度に基づいてプレイヤのフェイント動作を点数化し、ステップＳ２０１からステップＳ２０３で算出した点数に反映してもよい。また、評価部２３は、ステップＳ２０１からステップＳ２０３の動作を実行せずに、上述した類似度に基づく評価を実行してもよい。
＜ハードウェア構成＞
続いて、図８を用いて、評価装置１０及び評価装置２０に係るコンピュータ１０００のハードウェア構成例を説明する。図８においてコンピュータ１０００は、プロセッサ１００１と、メモリ１００２とを有している。プロセッサ１００１は、例えば、マイクロプロセッサ、MPU（Micro Processing Unit）、又はCPU（Central Processing Unit）であってもよい。プロセッサ１００１は、複数のプロセッサを含んでもよい。メモリ１００２は、揮発性メモリ及び不揮発性メモリの組み合わせによって構成される。メモリ１００２は、プロセッサ１００１から離れて配置されたストレージを含んでもよい。この場合、プロセッサ１００１は、図示されていないI/Oインターフェースを介してメモリ１００２にアクセスしてもよい。
続いて、図８を用いて、評価装置１０及び評価装置２０に係るコンピュータ１０００のハードウェア構成例を説明する。図８においてコンピュータ１０００は、プロセッサ１００１と、メモリ１００２とを有している。プロセッサ１００１は、例えば、マイクロプロセッサ、MPU（Micro Processing Unit）、又はCPU（Central Processing Unit）であってもよい。プロセッサ１００１は、複数のプロセッサを含んでもよい。メモリ１００２は、揮発性メモリ及び不揮発性メモリの組み合わせによって構成される。メモリ１００２は、プロセッサ１００１から離れて配置されたストレージを含んでもよい。この場合、プロセッサ１００１は、図示されていないI/Oインターフェースを介してメモリ１００２にアクセスしてもよい。
また、上述の実施形態における各装置は、ハードウェア又はソフトウェア、もしくはその両方によって構成され、１つのハードウェア又はソフトウェアから構成してもよいし、複数のハードウェア又はソフトウェアから構成してもよい。上述の実施形態における各装置の機能（処理）を、コンピュータにより実現してもよい。例えば、メモリ１００２に実施形態における方法を行うためのプログラムを格納し、各機能を、メモリ１００２に格納されたプログラムをプロセッサ１００１で実行することにより実現してもよい。
これらのプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（random Access memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
１０ 評価装置
１１ 取得部
１２ 評価部
２０ 評価装置
２１ 撮像部
２２ 取得部
２３ 評価部
２４ 出力部
２５ 学習部
２６ 記憶部
１１ 取得部
１２ 評価部
２０ 評価装置
２１ 撮像部
２２ 取得部
２３ 評価部
２４ 出力部
２５ 学習部
２６ 記憶部
Claims (7)
- 撮像されたプレイヤのフェイント動作を取得する取得部と、
予め記憶されている機械学習による学習済みモデルに基づいて前記フェイント動作を評価する評価部と、
前記評価部は、前記学習済みモデルよって予測される予測動作と異なるか否かに基づいて前記フェイント動作を評価し、
前記評価部は、前記フェイント動作における第１のアクションを抽出し、前記第１のアクションの次に実行される第２のアクションが前記学習済みモデルよって予測される予測アクションと異なる場合の評価を、前記第２のアクションが前記予測アクションと同様である場合の評価より高くする
評価装置。 - 前記評価部は、前記学習済みモデルよって予測される予測動作と異なる場合の前記フェイント動作を、当該予測動作と同様の場合の前記フェイント動作より高く評価する
請求項１に記載の評価装置。 - 前記評価部は、前記学習済みモデルを用いて、前記フェイント動作とスキルが所定の水準以上のプレイヤのフェイント動作との類似度に基づいて前記フェイント動作をさらに評価する
請求項１又は２に記載の評価装置。 - 前記評価部は、点数によって前記フェイント動作を評価する
請求項１乃至３のいずれか１項に記載の評価装置。 - 前記評価結果をプレイヤごとに出力する出力部をさらに備える
請求項１乃至４のいずれか１項に記載の評価装置。 - コンピュータが、
撮像されたプレイヤのフェイント動作を取得することと、
予め記憶されている機械学習による学習済みモデルに基づいて前記フェイント動作を評価することと、を含み、
前記フェイント動作を評価することは、前記学習済みモデルよって予測される予測動作と異なるか否かに基づいて前記フェイント動作を評価することを含み、
前記フェイント動作を評価することは、前記フェイント動作における第１のアクションを抽出し、前記第１のアクションの次に実行される第２のアクションが前記学習済みモデルよって予測される予測アクションと異なる場合の評価を、前記第２のアクションが前記予測アクションと同様である場合の評価より高くすることをさらに含む
方法。 - 撮像されたプレイヤのフェイント動作を取得する処理と、
予め記憶されている機械学習による学習済みモデルに基づいて前記フェイント動作を評価する処理と、をコンピュータに実行させ、
前記フェイント動作を評価する処理は、前記学習済みモデルよって予測される予測動作と異なるか否かに基づいて前記フェイント動作を評価する処理を含み、
前記フェイント動作を評価する処理は、前記フェイント動作における第１のアクションを抽出し、前記第１のアクションの次に実行される第２のアクションが前記学習済みモデルよって予測される予測アクションと異なる場合の評価を、前記第２のアクションが前記予測アクションと同様である場合の評価より高くすることをさらに含む
プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021022690A JP7071018B1 (ja) | 2021-02-16 | 2021-02-16 | 評価装置、方法及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021022690A JP7071018B1 (ja) | 2021-02-16 | 2021-02-16 | 評価装置、方法及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7071018B1 true JP7071018B1 (ja) | 2022-05-18 |
| JP2022124826A JP2022124826A (ja) | 2022-08-26 |
Family
ID=81652914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021022690A Active JP7071018B1 (ja) | 2021-02-16 | 2021-02-16 | 評価装置、方法及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7071018B1 (ja) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002516121A (ja) | 1998-03-03 | 2002-06-04 | アリーナ， インコーポレイテッド | 多次元空間における運動技術を追跡し、そして評価するためのシステムおよび方法 |
| JP2011036483A (ja) | 2009-08-12 | 2011-02-24 | Hiroshima Industrial Promotion Organization | 画像生成システム、制御プログラム、及び記録媒体 |
| JP2012245071A (ja) | 2011-05-25 | 2012-12-13 | Aina:Kk | 反復練習支援装置およびその装置を用いた反復練習支援方法 |
| JP2015531904A (ja) | 2012-06-29 | 2015-11-05 | ナイキ イノベイト シーブイ | 小売トレーニング・アプリケーション |
| US20170147872A1 (en) | 2014-06-25 | 2017-05-25 | Renaud Maroy | Method of identifying a movement by quantified recursive bayesian filtering |
| JP2019213900A (ja) | 2013-12-02 | 2019-12-19 | ナイキ イノベイト シーブイ | 飛行時間 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001092342A (ja) * | 1999-09-27 | 2001-04-06 | Naohide Tomita | 予測判断訓練装置およびそれを利用した予測判断訓練方法 |
| FR2892315B1 (fr) * | 2005-10-21 | 2009-04-17 | Xkpad Sa | Dispositif interactif pour jeux video. |
| US20100316983A1 (en) * | 2009-06-10 | 2010-12-16 | Johns Jr William Burgan | Educational exercise system and method simulation of swordplay |
| CN103502987B (zh) * | 2011-02-17 | 2017-04-19 | 耐克创新有限合伙公司 | 使用图像数据选择并关联体育活动数据 |
| JP7345108B2 (ja) * | 2019-06-20 | 2023-09-15 | パナソニックＩｐマネジメント株式会社 | プレイ分析装置、プレイ分析方法、及び、コンピュータプログラム |
-
2021
- 2021-02-16 JP JP2021022690A patent/JP7071018B1/ja active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002516121A (ja) | 1998-03-03 | 2002-06-04 | アリーナ， インコーポレイテッド | 多次元空間における運動技術を追跡し、そして評価するためのシステムおよび方法 |
| JP2011036483A (ja) | 2009-08-12 | 2011-02-24 | Hiroshima Industrial Promotion Organization | 画像生成システム、制御プログラム、及び記録媒体 |
| JP2012245071A (ja) | 2011-05-25 | 2012-12-13 | Aina:Kk | 反復練習支援装置およびその装置を用いた反復練習支援方法 |
| JP2015531904A (ja) | 2012-06-29 | 2015-11-05 | ナイキ イノベイト シーブイ | 小売トレーニング・アプリケーション |
| JP2019213900A (ja) | 2013-12-02 | 2019-12-19 | ナイキ イノベイト シーブイ | 飛行時間 |
| US20170147872A1 (en) | 2014-06-25 | 2017-05-25 | Renaud Maroy | Method of identifying a movement by quantified recursive bayesian filtering |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022124826A (ja) | 2022-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20130252216A1 (en) | Monitoring physical therapy via image sensor | |
| WO2014162787A1 (ja) | 身体動作採点装置、ダンス採点装置、カラオケ装置及びゲーム装置 | |
| JPWO2018211571A1 (ja) | 演技表示プログラム、演技表示方法および演技表示装置 | |
| US11726556B2 (en) | Systems and methods for responsively adaptable virtual environments | |
| US20210170230A1 (en) | Systems and methods for training players in a sports contest using artificial intelligence | |
| US20150242797A1 (en) | Methods and systems for evaluating performance | |
| KR20160059844A (ko) | 운동 궤적 분석을 이용한 훈련 방법 및 장치 | |
| JP7071018B1 (ja) | 評価装置、方法及びプログラム | |
| EP3009173B1 (en) | Assisted-training system and method for billiards | |
| US20230201719A1 (en) | Dynamic game models | |
| KR20220039440A (ko) | 디스플레이 장치 및 그의 제어 방법 | |
| KR102158218B1 (ko) | 동기 부여 시나리오를 실행하는 스마트미러, 이의 동기 부여 시나리오 실행 방법 및 이를 포함하는 동기 부여 시나리오 실행 시스템 | |
| JP7248137B2 (ja) | 評価方法、評価プログラムおよび情報処理装置 | |
| KR102095647B1 (ko) | 스마트기기를 이용한 동작 비교장치 및 동작 비교장치를 통한 댄스 비교방법 | |
| JPWO2018122957A1 (ja) | スポーツ動作解析支援システム、方法およびプログラム | |
| WO2023106201A1 (ja) | プレイ分析装置、プレイ分析方法、及びコンピュータ読み取り可能な記録媒体 | |
| KR20210050402A (ko) | 실버세대를 위한 행동 보상형 인터렉티브 운동 방법 | |
| KR20220053021A (ko) | 비디오 게임 오버레이 | |
| KR102630828B1 (ko) | 인공지능을 이용한 태권도 단체 품새 동작 평가 방법 및 장치 | |
| KR20190090654A (ko) | 게임 제공 방법 및 장치 | |
| US20210307652A1 (en) | Systems and devices for measuring, capturing, and modifying partial and full body kinematics | |
| KR102234548B1 (ko) | 줄넘기 운동 자세를 통한 신체 밸런스 확인 시스템 | |
| KR102443399B1 (ko) | 게임 진행 정보 생성 시스템, 기억 매체, 및 제어 방법 | |
| TWI722705B (zh) | 臉部肌肉特徵點自動標記方法 | |
| WO2021131762A1 (ja) | 運動メニュー評価装置、方法、及びコンピュータ可読媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210216 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220201 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220325 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220405 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220428 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7071018 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |