KR20220083795A - 스포츠 볼을 추적하는 시스템 및 방법 - Google Patents

Abstract

골프 샷의 궤적에서의 잠재적 변화를 결정하기 위한 시스템은, 골퍼의 스윙에 관한 스윙 데이터 및 골퍼가 친 복수의 샷 각각의 궤적에 관한 궤적 데이터를 감지하는 센서 어레이, 및 데이터 저장소 및 프로세서를 포함하되, 상기 프로세서는 데이터 저장소에 스윙 데이터 및 궤적 데이터를 저장하고, 미스샷을 나타내는 골퍼가 친 샷을 식별하고, 미스샷으로 식별되지 않은 골퍼가 친 모든 샷에 대한 스윙 데이터 및 궤적 데이터에 기초하여 출력 데이터를 결정하되, 상기 출력 데이터는 상기 골퍼가 달성할 수 있는 최적 샷을 나타내도록 구성된다.

Description

스포츠 볼을 추적하는 시스템 및 방법

관련 출원에 대한 상호 참조

본 출원은 2020년 1월 21일에 출원된 미국 특허 가출원 번호 제62/963,868의 우선권을 주장한다. 상기한 출원의 명세서는 여기에 참조로 포함된다.

오늘날의 기술적으로 발전된 세계에서, 스포츠 볼(sports ball)을 사용하는 운동선수는 스포츠 볼의 발사와 관련하여 발사 동작(예를 들어, 클럽(club) 또는 배트(bat)의 스윙(swing), 차거나 던지는 동작 등) 뿐만 아니라 스포츠 볼의 궤적에 대한 정보를 제공하는 측정 장비에 점점 더 많이 접근하고 있다.

효율적으로 개선하려면, 이들 측정값 및 다양한 파라미터(parameter)가 합성되어 가장 효율적인 성능 개선을 가능하게 하는 시스템을 생성해야 한다.

예를 들어, 골프에서, 장비 선택 뿐만 아니라 스윙에서 다양한 요인들 간의 상호작용은 종래의 코치와 같은 인간이 모니터링하고 분석하기에는 너무 복잡하다. 임의의 조정에 대한 장비와 생체역학적 반응 간의 상호작용을 훨씬 적게 고려하여 임의의 주어진 행동 과정의 잠재적 이득을 정량화할 경우, 연습 과정을 결정하여 개선을 이루는 것은 훨씬 더 복잡해지고 인간 능력을 훨씬 넘어서게 된다.

본 실시예는 골프(golf) 샷(shot)의 궤적의 잠재적인 변경을 결정하기 위한 시스템(system)에 관한 것으로, 상기 시스템은 골퍼(golfer)의 스윙에 관한 스윙 데이터(data) 및 골퍼가 친 복수의 샷(shot) 각각의 궤적에 관한 궤적 데이터를 감지하는 센서(sensor) 어레이(array), 및 데이터 저장소와 프로세서(processor)를 포함하는 컴퓨팅 장치(computing arrangement)를 포함하되, 상기 프로세서는 스윙 데이터 및 궤적 데이터를 데이터 저장소(repository)에 저장하고, 미스샷(mishit)을 나타내는 골퍼가 친 샷을 식별하고, 미스샷으로 식별되지 않은 골퍼가 친 모든 샷에 대한 스윙 데이터 및 궤적 데이터를 기반으로 출력 데이터를 결정하되, 출력 데이터는 골퍼가 달성 가능한 최적 샷을 나타낸다.

본 실시예는 스포츠 볼을 추적하고 플레이어(player) 성과를 분석하여 전문적인(professional) 스포츠 코치(coach) 또는 강사의 필요성을 제거하거나 감소시키는 효율적인 개선을 위한 계획을 생성하는 시스템을 제공한다. 본 실시예는 달성된 스포츠 볼 궤적으로 볼을 발사하는 스윙, 차기, 던지기 등에 관한 데이터 뿐만 아니라 볼 궤적을 측정하는 하나 이상의 센서들을 포함하는 시스템을 포함한다. 시스템은, 시간 경과에 따라 작동하여, 측정된 파라미터가 발사 동작(예를 들어, 스윙, 차기, 던지기 등)에 미치는 영향을 학습하여, 결과적인 스포츠 볼 궤적에 대한 이들 파라미터에 대한 변경의 영향을 계산할 수 있다. 이러한 학습에 기초하여, 시스템은 운동선수의 성과를 개선하기 위해 어느 발사 동작 파라미터를 변경할지 및 원하는 변경 정도를 식별한다.

본 실시예는, 발사된 스포츠 볼을 추적함으로써, 상이한 가능한 발사 동작 및/또는 장비의 변경이 운동선수의 성과에 미치는 영향을 시스템이 계산할 수 있게 하는, 하나 이상의 성과 점수로 운동선수의 성과를 벤치마킹(benchmark)하는 것으로, 상기 발사 동작 및/또는 장비의 변경은 운동선수가 성과에 가장 긍정적인 영향을 미칠 변경을 식별하는 상기 운동 선수에 대한 계획을 개발할 수 있게 한다. 물리학 및 여러 파라미터 간의 상호 작용이 매우 복잡하기 때문에 이러한 계산은 코치 또는 강사가 수행할 수 없다. 임의의 변경으로 인해 영향을 받을 수 있는 다수의 추가 파라미터에 대한 한 개의 파라미터 변경의 복잡한 결과를 누군가가 계산하는 것이 거의 불가능하기 때문에, 인간 코치의 경우, 보다 제한된 집중이 요구된다.

발사 동작의 변경이 스포츠 볼 궤적에 어떻게 영향을 미치는 지에 관한 시스템 학습의 특성을 이해하기 위해, 골프의 다음 예를 고려하자.

오른손잡이 골퍼의 클럽 경로가 클럽 페이스(face)의 페이스 각도의 좌측에 있는 것으로 검출되면(예를 들어, "경로에 대해 오픈 페이스(open face)"), 볼은 일반적으로 오른쪽으로 기울어진 스핀 축을 중심으로 회전하게 되어(예를 들어, 볼 추적 시스템에 의해 확인되고 측정될 수 있음), 일반적으로 우측으로 구부러지는 볼 궤적을 초래한다.

검출된 클럽 속도가 증가하지만 다른 모든 것이 동일하게 유지되면, 검출된 볼 속도 및 스핀 속도는 일반적으로 증가될 것이다. 이는 또한 일반적으로 검출된 볼 궤적이 더 높고 더 길게 되는 결과로 나타날 것이다.

클럽 페이스 상의 볼의 검출된 충돌 지점이 클럽 페이스 상으로 투사된 클럽 헤드(clubhead)의 무게 중심으로부터 이격되는 경우, 검출된 볼 속도가 떨어질 가능성이 있고, 궤적의 검출된 곡률이 또한 영향을 받을 수 있다.

클럽 헤드의 검출된 공격 각도(attack angle)가 증가되면, 발사 후 볼의 검출 궤적은 일반적으로 (수직에 더 가깝게) 더 가파르게 되어 더 높은 검출 볼 궤적을 초래한다.

그러나, 골프 스윙의 복잡한 생체 역학으로 인해, 이들 변수 중 어느 하나에 대한 변경은 개인마다 상당히 다를 수 있는 다른 변수들에 대한 변경을 초래할 가능성이 있다. 본 개시는 복수의 골퍼 각각에 대한 경험 모델로부터 구축할 수 있어서, 하나의 변수를 다루는 변경의 영향이 자신 있게 예측될 수 있다. 예를 들어, 골퍼 자신 및/또는 많은 다른 골퍼들로부터의 많은 선행 샷에서 다양한 파라미터(예를 들어, 생체역학적, 장비 관련 등)에 대응하는 데이터는 신경망(neural network) 학습에 사용되어 골퍼의 성과에 대한 임의의 단일 변경의 결과를 예측하기 위한 모델을 개발할 수 있다. 유사한 문제가 다른 스포츠 활동의 발사 동작의 복잡성에 의해 제기되고, 유사한 방식으로 본 실시예에 의해 해결된다.

도 1은 일 실시예에 따라 골퍼에 대해 골퍼의 성과를 측정하고, 골퍼의 특성을 결정하고, 골퍼의 성과를 개선하는 하나 이상의 영향력 있는 방법을 결정할 수 있는 시스템을 도시한다.
도 2는 실시예에 따라 골퍼의 특성을 결정하고 골퍼의 성과를 개선하기 위한 영향력 있는 방법을 결정하기 위한 방법을 설명하는 흐름도를 도시한다.
도 3은 히트된(hit) 골프 볼의 궤적을 결정하는 이벤트(event)의 논리적인 시퀀스(sequence)를 도시한다.
도 4는 본 실시예에 의해 지지되는 골퍼 개선 사이클(cycle)을 도시한다.
도 5는 골퍼 벤치마킹 및 골퍼 특성의 디스플레이(display)의 일례를 도시한다.
도 6은 집중된 연습 계획에 직접 접근할 수 있는 골퍼 개선 주제를 우선순위에 따라 표시한 일례를 도시한다.
도 7은 본 실시예의 구현의 일례를 도시한다.
도 8은 유사한 문제를 갖는 그룹으로 플레이어를 분류하기 위한 2개의 벤치마킹 점수의 사용을 보여준다.
도 9는 골프 샷 추적 시스템에 의해 측정된 남성 골프 플레이어에 대한 평균 클럽 딜리버리(delivery) 및 볼 발사와 착지 조건을 도시한다.

예시적인 실시예는 다음의 설명 및 관련 첨부 도면을 참조하여 추가로 이해될 수 있으며, 여기서 유사한 요소는 동일한 참조 번호를 갖는다.

다음에서, 골퍼가 골프 볼을 치는 것이 본 실시예에 대한 예로서 사용된다. 그러나, 운동선수가, 예를 들어, 볼을 직접 치거나(예를 들어, 배구 또는 축구) 클럽 또는 배트로 볼을 쳐서(예를 들어, 크리켓, 야구 및 골프) 스포츠 볼 같은 스포츠 물체를 발사하던가 또는 스포츠 볼의 특정 궤적 또는 최종 위치를 획득할 의도로 스포츠 볼을 던지는 다양한 다른 스포츠에 동일한 원리가 적용될 수 있다는 것을 당업자는 이해할 것이다.

본 출원에 사용된 용어는 충격 시 클럽과 볼 간의 동적 상호작용을 기술하기 위한 좌표계(coordinate system)를 정의할 것이다. 그러나, 골프 볼과 골프 클럽 사이의 (또는 임의의 스포츠 볼에 충격을 가하는 도구 및 스포츠 볼 사이의) 충격의 3차원 특성을 분석하기 위한 임의의 다른 좌표계 또는 시스템이, 도출된 데이터가 결과 샷의 품질을 이해하고 이를 개선하기 위한 방법을 예측할 수 있게 하는 한, 실시예의 범위를 벗어나지 않고서 사용될 수 있다는 것을 당업자는 이해할 것이다. 골프 볼과 골프 클럽의 충격 특성을 분석함에 있어서, 클럽 경로, 공격 각도, 동적 로프트(loft), 페이스 각도 및 동적 라이(lie)와 같은 변수는, 충격 전에 볼 위치를 원점으로 하는 좌표계와 관련하여 유용하며 이해될 수 있다. 좌표계의 제1 축은, 예를 들어 볼로부터 의도된 표적(예를 들어, 표적 방향)까지 수평선일 수 있고, 좌표계의 제2 축은 볼을 통과하는 수직선이고, 제3 축은 직교 좌표계를 완성하는 표적 방향에 수직인 수평선이다.

충격 지점에서 골프 클럽의 3차원 방향을 고려할 때, 골프 클럽의 힐(heel)에서의 클럽 경로가 골프 클럽의 토우(toe)에서의 클럽 경로와 동일하지 않으며, 따라서 볼과 클럽 페이스 사이의 실제 충격 위치의 경로는 이들 경로 중 하나와 다를 수 있다는 것을 당업자는 이해할 것이다. 그러나, 이들 실시예의 목적을 위해, 예를 들어, 공격 각도 및 클럽 경로(이하에서 정의됨)를 결정할 때 기준점(reference point)으로서 선택된 지점은 충격 시점에 볼과 클럽 페이스 사이의 동적 관계의 표시를 제공하기 위해 클럽 페이스 상에 선택된 임의의 기준점일 수 있다. 따라서, 클럽 페이스의 중심이 골프 클럽의 방향을 결정하기 위한 기준점으로 선택되던지, 클럽 헤드의 기하학적 중심 또는 클럽 헤드의 질량 중심이 기준점으로 선택되던지, 선택된 기준점의 움직임은 충격 시의 볼에 상대적으로 결정된다. 공격 각도는 지평선에 상대적으로 측정된 충격 직전의 클럽 헤드의 수직 방향으로 정의되며, 클럽 경로는 표적 방향에 상대적으로 측정된 충격 직전의 클럽 헤드의 수평 방향으로 정의된다. 유사하게, 충격 지점에서 골프 클럽 페이스의 3차원 배향을 고려할 때, 힐에서의 페이스 각도가 드라이버(driver)와 같이 돌출 반경이 두드러진 클럽의 경우 토우의 페이스 각도와 동일하지 않을 것임을 당업자는 이해할 것이다.

그러나, 이들 실시예의 목적을 위해, 예를 들어, 동적 로프트 및 페이스 각도(아래에서 정의됨)를 결정할 때 기준점(reference point)으로 선택된 지점은 충격 시점에 볼과 클럽 페이스 사이의 동적 관계의 표시를 제공하기 위해 클럽 페이스 상에 선택된 임의의 기준점일 수 있다. 따라서, 클럽 페이스의 중심이 골프 클럽의 방향을 결정하기 위한 기준점으로 선택되던지, 클럽 페이스 상의 볼과의 충격 지점이 기준점으로 선택되던지, 선택된 기준점의 배향은 충격 시의 볼에 상대적으로 결정된다. 동적 로프트는, 지평선에 상대적으로 측정되는, 충격 시점에서 클럽 페이스 상의 기준점에 수직(예를 들어, 클럽 페이스에 대해 90도)인 클럽 페이스의 수직 각도로서, 즉, 충격 시 클럽 페이스의 로프트의 양으로 정의된다. 유사하게, 페이스 각도는 표적 방향에 상대적인 수평면에서 측정된, 충격 시점에서 기준점에 수직(예를 들어, 클럽 페이스에 대해 90도)인 클럽 페이스로서 정의된다.

도 1은 골퍼의 특성을 결정하고 골퍼의 능력을 개선하는 가장 영향력 있는 방법을 식별하기 위한 제1 시스템(100)을 도시한다. 골퍼(130)는 골프 클럽(120)을 스윙하고 볼 궤적(109) 상에 골프 볼(110)을 발사한다. 시스템(100)은 이하에서 더욱 상세히 설명되는 바와 같이 스윙 및 샷 파라미터를 기록하는 하나 이상의 센서(106)를 포함한다.

스윙 및 샷 파라미터는 골프 볼의 궤적 및 볼의 대략적인 종료 위치(즉, 볼이 착지하고, 튕겨지고 굴러서 멈춘 후 볼의 최종 정지 위치)를 예측하기에 충분한 볼 데이터를 포함한다. 예를 들어, 이는 카메라 및/또는 레이더 기반 센서 시스템(100)(또는 레이더와 카메라 추적을 조합한 시스템)으로 전체 볼 궤적을 측정함으로써 이뤄질 수 있거나, 시스템(100)은, 당업자가 의해 이해하는 바와 같이, 충분한 정확성으로 볼 속도, 발사 각도, 발사 방향, 스핀 속도 및 스핀 축과 같은 볼 발사 조건을 측정하여, 온도, 압력, 바람의 속도와 방향, 및 지상 조건과 같은 골프 볼 공기 역학 및 환경 조건에 관한 소정의 정보를 사용하여 골프 볼 궤적을 계산할 수 있다.

골프 볼 궤적을 결정하는 것에 더하여, 시스템(100)은 또한 결과적인 볼 궤적과 상관되는 적어도 하나의 스윙 파라미터를 측정하며, 스윙 파라미터(들)는 골퍼의 스윙 동작 및/또는 클럽 딜리버리과 관련된다. 바람직한 환경에서, 클럽 딜리버리 파라미터는 클럽 속도, 클럽 경로, 페이스 각도, 공격 각도, 클럽 페이스의 동적 로프트 및 클럽 페이스의 충격 위치를 포함한다. 그러나, 예컨대 골퍼의 스윙 실행 시 클럽 헤드, 손, 어깨, 엉덩이, 골반 및 척추의 위치 및 각도 배향과 같은 골퍼(130)의 추가적인 스윙 파라미터는 유의미한 파라미터이며, 또한 측정될 수 있다. 이들 스윙 동작 파라미터는 또한 의도된 클럽 딜리버리를 생성하고 이들 동작을 안정적으로 반복 가능하게 만드는 데 중요한 운동학적 시퀀스의 일부인 선형 속도 및 각속도 둘 다를 결정하는 데 사용될 수 있다.

도 3은, 스포츠 볼은 최종 정지 지점까지 튕겨지고 굴러가기 때문에, 착지 후 볼의 계속된 이동과 함께 궤적에 스포츠 볼을 발사하는 일련의 이벤트를 도시한다. 이 시퀀스는 팔, 다리, 어깨 등의 골퍼의 움직임으로 시작되며, 이를 통해 골퍼는 특정 배향, 방향 및 속도로 클럽 헤드를 볼에 전달한다. 골퍼의 움직임에 반응하는 클럽 헤드의 움직임은 또한 골프 클럽의 제작(예를 들어, 클럽 헤드의 질량, 샤프트의 길이 및 강도)에 의해 영향을 받는다. 따라서, 클럽 헤드의 클럽 페이스가 볼을 충격하여 볼이 초기 볼 발사 조건으로 발사된 다음, 볼이 일부 착지 조건(예를 들어, 각도, 속도 및 회전 속도) 하에서 지면에 도달할 때까지 공중을 공기역학적으로 비행하고, 잔디 조건(예를 들어, 경도, 수평과 충격 지점의 각도 등)에 따라 볼은 최종 정지 위치까지 튕겨지고/거나 구른다.

시스템(100)에서, 센서(106)는, 예를 들어, 카메라(106(a-b) 및/또는 레이더(106(c))를 포함할 수 있지만, 당업자가 이해하는 바와 같이, 예를 들어, 라이다, 초음파, 음향 또는 자기 센서, 가속도계를 포함하여, 볼 궤적 및 클럽 딜리버리의 샷 파라미터 및/또는 스윙 동작 파라미터 중 임의의 것을 측정할 수 있는 상이한 유형의 임의의 센서 또는 센서의 조합을 포함할 수 있다. 파라미터들 중 일부는 또한 골퍼(130), 골프 클럽(120), 골프 볼(110)에 부착된 센서 또는 이러한 센서들의 임의의 조합으로부터의 데이터에 기초하여 결정될 수 있다. 그러나, 가능한 경우, 센서들(106)은 골퍼와 비접촉이고, 골퍼가 사용하기 쉽도록 골프 클럽 또는 볼의 변형이 필요하지 않다.

시스템(100)은 센서(106)에 의해 감지된 스윙 및 샷 파라미터를 기록하고 분석하는 프로세서(105)를 포함한다. 프로세서(105)는, 기록된 파라미터 및 골퍼의 성과와 관련된 저장된 데이터(존재하는 경우)에 기초하여, 골퍼의 특성(예를 들어, 골퍼의 스윙 및 샷 특성과 관련된 이력 데이터)을 결정하고, 골퍼의 벤치마킹을 생성하거나 갱신(update)하고, 골퍼에게 벤치마킹을 개선하도록 설계된 개선안을 추천한다. 벤치마킹 결과는, 예를 들어, 디스플레이(107)에 의해 골퍼에게 제시될 수 있지만, 오디오 장치, 전자 또는 인쇄 보고서 또는 임의의 다른 적절한 출력 수단을 통해 전달될 수도 있다.

골퍼의 벤치마킹은 일반적으로 특정 클럽 유형(예를 들어, 6번 아이언)에 대해 일어나지만, 골퍼가 사용하는 모든 클럽 유형 또는 우드, 하이브리드, 아이언, 긴 아이언, 짧은 아이언 또는 웨지와 같은 클럽 그룹에 대한 일반적인 벤치마킹일 수도 있다. 통상적으로, 벤치마킹은 골퍼를 위한 클럽 유형(예를 들어, 6번 아이언 및 7번 아이언)에 따라 크게 달라지지 않을 것이며, 따라서 벤치마킹 전에 그룹 내의 클럽 유형들을 조합하는 것이 바람직할 수 있는데, 이는 데이터 저장 및 처리 요건을 감소시키고 보다 효율적인 시스템 운용을 가능하게 할 것이다.

당업자가 이해하는 바와 같이, 카메라(106(a-b))는 가시 주파수 영역 및/또는 근적외선 또는 적외선 영역에서 작동할 수 있다. 카메라(106(a-b))는 컬러 또는 단색일 수 있고, 녹화하는 동안 적절한 조명을 보장하기 위해 함께 작동 가능한 광 시스템을 포함할 수 있다. 카메라는 일반적으로 클럽 딜리버리, 스윙 동작 파라미터 및 볼 샷 파라미터를 기록하기 위해 초당 100 내지 10,000 프레임(frame)으로 작동한다. 골퍼의 손, 팔, 어깨, 엉덩이 움직임 등을 측정하고 스윙 동작 파라미터를 결정하는 데 사용되는 카메라의 경우, 이들 항목이 클럽 헤드보다 더 느리게 움직이기 때문에 30 fps와 같은, 보다 느린 프레임 속도가 사용될 수 있다.

당업자가 이해하는 바와 같이, 높은 프레임 속도는 클럽 헤드와 볼 사이의 상호 작용이 관찰되어야 하는 경우에 특히 유용할 수 있는데, 이는 이러한 충격이 매우 짧은 시간 프레임에 걸쳐 발생하는 동적 요소를 포함하기 때문이다. 이미지로부터 볼과의 충격 시 클럽 헤드 위치 및 배향을 검출하기 위해서는, 충격 이전에 최소 개수의 프레임(예를 들어, 2~3개)이 요구된다. 이들 검출은 볼과 접촉하기 직전에 클럽 딜리버리를 정확하게 관찰하기 위해 충격 시간에 비례하여 충분히 분포되어야 한다. 프레임은 충격 후에 사용될 수도 있지만, 볼 및 어쩌면 지면과의 충돌로 인해, 클럽 헤드가 골퍼의 스윙과 쉽게 관련되지 않는 다른 경로로 충격 후에 편향될 수 있다. 일반적으로, 클럽에 대한 충격 이전에는 4개 내지 10개의 프레임이 바람직하며, 골퍼의 최대 클럽 헤드 속도가 예를 들어 150mph라고 가정할 때, 이는 결과적으로 카메라의 시야뿐만 아니라 프레임 속도에 대한 제한을 설정한다. 이미지가 또한 발사된 볼의 속도, 방향 및 스핀을 결정하는 데 사용되는 경우, 정확한 볼 발사 데이터를 얻기 위해 일반적으로 4개 내지 10개의 유사한 수의 프레임이 필요하다. 볼과의 정확한 충격 시간을 결정하는 경우, 2000fps 이상의 프레임 속도를 사용하는 것이 바람직하다. 클럽과 볼 간의 접촉 시간은 일반적으로 0.5ms이며, 이는 2000fps에서 볼이 클럽 헤드와 접촉하는 동안 1개 프레임이 확보된다는 것을 의미하다.

레이더(106(c))는, 예를 들어, 최대 500 밀리 와트 EIRP(Equivalent Isotropic Radiated Power)의 전력으로 X-대역 주파수(예를 들어, 10 GHz)에서 마이크로파를 방출하는 연속파 도플러(Doppler) 레이더일 수 있으며, 따라서 단거리 국제 라디에이터(radiator)에 대한 FCC 및 CE 규정을 준수한다. 그러나, 다른 관할권에서는, 현지 규정에 따라 다른 전력 수준 및 주파수가 사용될 수 있다. 예시적인 일 실시예에서, 마이크로파는 예를 들어, 5 내지 125 GHz 사이의 더 높은 주파수로 방출된다. 더 낮은 객체 속도에서 보다 정밀한 측정을 위해, 20 GHz 이상의 주파수가 사용될 수 있다. 위상 또는 주파수 변조 CW(continuous wave) 레이더, 다중 주파수 CW 레이더 또는 단일 주파수 CW 레이더를 포함하여 임의의 유형의 CW 도플러 레이더가 사용될 수 있다.

라이다(lidar)와 같은 다른 추적 장치가 가시 또는 비가시 주파수 영역에서 방사선과 함께 사용될 수 있음을 이해할 것이다. 전류-펄스형 레이더 시스템은 레이더 장치에 가까운 물체를 추적하는 능력이 제한된다. 그러나, 물체가 이러한 펄스형 레이더 시스템으로부터 떨어져 있어야 하는 거리는 시간이 지남에 따라 감소하였으며, 계속 감소할 것으로 기대된다. 따라서, 이들 유형의 레이더는 곧 이들 작동에 효과적일 수 있고, 후술하는 본 개시의 시스템에서 이들의 사용이 고려된다. 본원 전반에 걸쳐, 객체의 추적은 도플러 주파수 스펙트럼(spectrum)의 사용에 기초하여 기술된다. 이해되는 바와 같이, 이들 도플러 주파수 스펙트럼은 사용된 임의의 유형의 레이더 또는 라이다로부터의 도플러 스펙트럼을 지칭한다.

시스템(100)은, 당업자에 의해 이해되는 바와 같이, 센서(106)와 통신하는 하나 이상의 프로세서(105)를 포함할 수 있는 처리 유닛(unit)을 더 포함하며, 이는, 예를 들어 유선 또는 무선 연결 데이터 저장 장치 등을 통해 카메라(106(a-b) 및/또는 레이더(106(c)) (또는 다수의 레이더 장치)를 포함할 수 있다. 일 실시예에서, 프로세서(105)는 센서(106)와 연관된 컴퓨터(computer)를 포함한다. 프로세서는 저장 코드(code)뿐만 아니라 이력 데이터를 위한 기계 판독가능 매체를 부착했을 수도 있다. 프로세서는 휴대용 장치, 개인용 컴퓨터, 내장형 컴퓨터일 수 있거나, 또한 클라우드 또는 임의의 다른 유형의 원격 컴퓨팅 장치에 위치할 수도 있다.

도 2는 예시적인 일 실시예에 따른 공정 200을 도시한다. 205 단계에서, 골퍼(130)는 하나 이상의 골프 샷을 친다. 각 골프 샷에 대해, 스윙 및 샷 파라미터는 시스템(100)에 의해 검출되고 기록된다(210 단계). 그런 다음, 기록된 데이터는 분석되어, 골퍼(130)에 대한 스윙 및 샷 특성을 결정한다(220 단계). 프로세서(105)는, 이러한 분석을 하는 동안, 특정 샷을 잘 맞은 샷으로 식별하고 이들 잘 맞은 샷을 골퍼(130)의 잠재력을 나타내는 것으로 식별할 수 있는 반면, 덜 성공적으로 실행된 샷을 골퍼(130)의 오류 또는 잘못된 스윙을 나타내는 것으로 식별할 수 있다.

일반적으로, 골퍼는 볼이 잘 맞았을 때 얼마나 멀리 그리고 얼마나 효율적으로 볼을 칠 수 있는지와 이러한 유형의 잘 맞은 샷을 얼마나 안정적으로 반복할 수 있는지에 대한 측면에서 자신의 능력으로 평가된다. 따라서, 220 단계에서 골퍼의 특성을 결정할 때, 일부의 분석을 위해(예를 들어, 특정 샷 유형에 대한 반복성 수준을 결정할 때), 모든 샷이 사용되는 반면, 다른 분석(예를 들어, 힘이 볼에 전달되는 효율을 평가하는 것)을 위해서는, 특정 샷(예를 들어, 잘 맞지 않은 것으로 식별된 샷)이 생략될 수 있다. 220 단계에서 결정된 골퍼 특성은 바람직하게는 골퍼와 공유된다. 이는 다음과 같은 형태를 취할 수 있다: "당신은 중간 높이의 궤적으로 왼쪽에서 오른쪽으로 휘는 158m 캐리(carry)의 볼을 친다. 당신 샷의 50%가 표적 선의 오른쪽에서 종료된다." 이는 또한 도 5에 도시된 바와 같이 그래픽으로 도시될 수 있다.

시스템(100)에 의한 측정으로부터 골퍼 특성을 결정하는 것이 바람직하지만, 골퍼 특성은 또한 "내 클럽 속도는 보통 6번 아이언으로 80 mph이고, 샷 형상은 일반적으로 높은 페이드(fade)이고 내 거리는 150 m이다"와 같이, 사용자에 의해 입력될 수 있다.

시스템(100)은 또한 샷 분석을 수행하는 데 골퍼로부터의 입력을 결합할 수 있다. 218 단계에서, 골퍼는 의도를 입력할 수 있는데, 예를 들어, 골퍼는 특정 거리, 특정 샷 형상(예를 들어, 드로우(draw), 페이드 또는 직선), 특정 높이(예를 들어, 낮음, 중간 또는 높음), 또는 특정 스핀 속도(예를 들어, 낮음, 중간 또는 높음)를 치려는 의도 또는 이러한 의도의 임의의 조합을 입력할 수 있다. 골퍼 의도(218)를 이용할 수 없는 경우, 시스템(100)은, 예를 들어, 동일한 클럽을 사용하여 이전의 잘 맞은 샷과 동일한 거리를 갖는 표적선에 착륙하는 반복 가능한 잘 맞은 샷을 의도로서 가정할 수 있다.

골퍼(130)는 또한 골퍼의 능력에 영향을 미치는 제한(예를 들어, 감소된 유연성, 감소된 강도 등)을 가질 수 있다. 이들은 시스템(100)에 입력될 수 있다(219 단계). 제한은 또한 골퍼의 신장, 팔과 다리의 길이 및 일반적인 신체 치수에 대한 정보와 관련이 있을 수 있다.

215 단계에서, 골퍼(130)는, 클럽 유형(예를 들어, 드라이버, 3번 우드, 2번 하이브리드, 7번 아이언, 54도 웨지 등), 샤프트 플렉스(예를 들어, 레귤러(regular), 소프트(soft), 스티프(stiff), 엑스트라 스티프(extra stiff)) 및/또는 볼 정보(예를 들어, 프리미엄 볼, 2피스(piece) 볼, 레인지(range) 볼 등)과 같은 자신이 사용하는 장비에 대한 세부사항을 입력할 수 있다. 정보는 또한, 클럽의 헤드 질량, 정적 로프트, 무게 중심 위치, 관성 모멘트(moment), 반발 계수, 라이 각도; 샤프트의 길이, 중량, 플렉스 프로파일, 그립 유형; 및/또는 볼의 중량, 반발 계수, 마찰 특성 등과 같은 보다 상세한 정보를 포함할 수 있다.

시스템(100)은 또한 센서(106)로부터의 데이터에 기초하여 장비 정보를 자동으로 결정할 수 있다(215 단계). 예를 들어, 클럽 유형 또는 적어도 클럽 카테고리(category)(예를 들어, 드라이버, 우드, 하이브리드, 아이언, 웨지 또는 퍼터)는, 예를 들어, 머신 러닝(machine learning) 기반 네트워크(network) 또는 다른 유형의 분류 기술을 사용하여 만들어진 분류에 기초하여 센서(106(a-b))에 의해 촬영된 이미지로부터 장비를 식별함으로써 결정될 수 있다.

220 단계에서 결정된 골퍼 특성, 215 단계에서 결정된 임의의 장비 세부사항, 및 218 단계에서 입력된 임의의 골퍼 의도 정보 및 219 단계에서 입력된 임의의 골퍼 제한에 기초하여, 프로세서(105)는 골퍼를 위한 최적이지만 달성 가능한 샷 파라미터뿐만 아니라 이러한 최적 샷과 관련된 클럽 딜리버리 및 스윙 동작 파라미터를 결정한다(230 단계). 골퍼가 달성할 수 있는 것을 결정함에 있어서, 시스템(100)은 골퍼의 스윙의 어떤 측면이 다른 것보다 더 변하기 쉬운지에 대한 사전 지식을 포함할 수 있다.

예를 들어, 페이스 각도, 클럽 페이스 상의 충격 위치, 골퍼의 공격 각도 또는 클럽 경로를 변경하는 것이 비교적 용이할 수 있는 반면, 클럽 속도를 변경하는 것은 더 어려울 수 있다. 특정 변경이 구현될 수 있는 용이성의 이러한 순위는 이하에서 더욱 상세히 기술되는 바와 같이 시스템(100)이 생성하는 추천에 영향을 미칠 것이다. 당업자에 의해 이해되는 바와 같이, 이들 특성의 교정 용이성은 골퍼의 스윙 측면에서 개선을 위한 여지의 양에 기초하여 시스템(100)에 의해 조정될 수 있다(즉, 골퍼가 제안을 구현하고 현재의 스윙 특성과 달성 가능한 최적의 스윙 특성 간의 차이가 감소함에 따라, 다른 특성에 대한 변경이 보다 유망한 것으로 순위가 매겨질 수 있다).

235 단계에서, 시스템(100)은 저장된 정보의 데이터베이스(database)에 액세스(access)하여 골퍼를 위한 최적 샷을 결정한다. 예를 들어, 시스템(100)은, 220 단계에서 골퍼에 대해 결정된 특성과 가능한 한 가깝게 일치하는 샷 형상의 주어진 클럽 속도로 볼을 효율적으로 맞추는 방법에 관한 정보를 데이터베이스로부터 검색할 수 있다(235 단계). 이러한 데이터베이스는, 예를 들어, 프로 골퍼로부터의 수천 개의 샷에 대응하는 데이터를 포함할 수 있고/있거나, 220 단계에서 결정된 골퍼 특성과 일치하도록 파라미터를 조정함으로써 현재 골퍼와 가능한 한 가깝게 정합하도록 조정된 인공 모델 골퍼를 포함할 수 있다. 골퍼의 최적 샷은, (예를 들어, 상이한 다양한 장비를 사용하는 다수의 골퍼의 다수의 샷에 관한 데이터를 포함하여) 데이터베이스(235)에 저장된 다수의 최적 궤적 중 어느 것이 220 단계에서 결정된 골퍼 특성과 가장 밀접하게 일치하는 지 식별하기 위해 신경망을 사용함으로써 또는 220 단계에서 결정된 골퍼 특성이 주어지면 가장 쉽게 달성 가능한 최적의 궤적에 관한 학습된 이력 데이터에 기초하여 (예를 들어, 성과의 변화가 유사한 시작점에서부터 연습 등에 대한 특정 추천을 따른 것인 유사한 관련 특성을 가진 것으로 식별된 골퍼의 성과 변화에 대한 분석에 기초하여) 결정될 수 있다(230 단계).

최적으로 식별된 궤적은 인간이 효과적으로 고려하는 것이 불가능한 많은 요인에 의존할 수 있다. 예를 들어, 드라이버 샷의 경우, 최적의 볼 궤적은 일반적으로 볼의 발사 위치로부터 최종 정지 장소까지의 거리를 최대화하면서 볼의 최종 위치에 대한 표적 선으로부터 멀어짐을 최소화하는 것으로 간주된다. 그러나, 일부 플레이어는, 볼의 최종 정지 위치까지의 거리보다 캐리 거리(예를 들어, 발사 위치로부터 볼이 처음 지면과 접촉하는 지점까지의 거리)를 더 높게 평가하고 싶을 수 있다. 이러한 선호도는 사용자에 의해 입력될 수 있다.

최종 정지 위치에 대한 최적의 궤적은 잔디 상태에 따라 달라질 것이다. 매우 단단한 잔디 조건의 경우, 가장 긴 최종 정지 위치는 종종 더 낮은 비행 궤적 및 이에 따라 캐리 거리를 최대화하는 더 높은 볼 궤적에 비해 더 얕은 착지각과 연관된다. 드라이버에 대한 최적의 궤적은 또한 환경 조건에 따라 달라질 것이다. 공기의 밀도가 더 낮은 보다 높은 고도에서, 최적의 궤적은 일반적으로 낮은 고도에서의 최적 궤적에 비해 더 높은 발사각을 가질 것이다. 또한, 바람 조건은 최적의 궤적에 영향을 미칠 것이다. 링크 코스(links course)를 플레이할 때, 바람은 일반적으로 매우 강하다. 이는 공중에서 더 짧은 시간 및 더 낮은 정점 높이를 갖는 더 낮은 볼 궤적을 만들며, 여기서 풍속은 일반적으로 더 낮을수록 보다 최적이다. 그러나, 나무가 볼에 영향을 미치는 풍속을 제한하는 파크 코스(park course)를 플레이할 때, 더 높은 볼 궤적이 더 최적일 수 있다. 드라이버 이외의 클럽 유형의 목적 및 이에 따른 최적의 궤적이 반드시 샷 거리를 최적화하는 것은 아니다.

예를 들어, 이러한 다른 클럽 유형의 샷 유형은 주로 골퍼의 풀(full) 스윙으로 볼을 특정 거리까지 쳐서 특정 표적 영역에 도달하고 볼이 멈추는 곳을 제어하는 것이다. 타격 거리(예를 들어, 볼의 현재 위치로부터 볼의 원하는 최종 정지 장소까지의 거리) 및 잔디와 환경 조건에 따라, 최적의 궤적은 골퍼에 따라 달라질 것이다. 예를 들어, 그린(green)이 매우 부드러운 경우, 튕김 및 구름의 양이 최소화되도록 높은 볼 궤적을 갖는 것이 바람직할 수 있다. 반면에, 그린이 매우 단단한 경우, 종종 볼을 그린 밖에 착지시켜 볼이 그린 상에서 튕기고 구르게 하는 것이 바람직하다. 최적 샷을 정의하는 최적의 궤적이 무엇인지 정의하는 것은 일반적으로 인간이 수행할 수 없는 골퍼, 장비, 환경 및 잔디 조건 등과 관련된 많은 변수들을 고려한 다수의 복잡한 계산을 포함하는 매우 복잡한 문제이다.

240 단계에서 골퍼 성과의 벤치마크를 결정할 때, 2개의 상이한 측면이 일반적으로 고려된다: 1) 230 단계에서 결정된 최적 샷(도 5 및 도 6에서, 이는 궤적 점수로 불림)과 대비해, 골퍼의 실제 샷 형상(예를 들어, 위에 기술한 바와 같이 잘 맞지 않는 샷을 생략할 수 있음), 및 2) 골퍼가 동일한 샷을 실행할 수 있는 반복성(도 5 및 도 6에서, 이는 정밀도 점수로 불림). 230 단계에서 결정된 최적의 골프 샷은 220 단계에서 결정된 골퍼 특성에 대응하는 것과 매우 상이할 수 있다. 예를 들어, 골퍼가 드라이버를 지속적으로 클럽 페이스의 힐에서 충격하는 경우, 볼 속도가 최적보다 낮을 뿐만 아니라, 골퍼 특성에 반영된 골퍼 샷의 실제 형상은, 힐 충격 위치에 기인한 소위 수평 기어 효과(horizontal gear effect)로 인해 페이드 샷일 가능성이 있는 반면, 최적 샷 형상은 직선 샷일 수 있다. 벤치마킹은 또한 볼을 일관되게 표적 상에 또는 표적 영역 내에 착지시키는 골퍼 능력을 반영하는 점수기록을 포함할 수 있다.

도 5는 디스플레이(107) 상에서 골퍼에게 제공된 피드백의 일례를 도시한다. 골퍼의 성과 벤치마킹은 이 사례에서 궤적과 정밀도라는 두 가지 파라미터에 반영되어 있다. 또한, 최적의 궤적 및 캐리/총 회수는 실제 궤적 및 캐리/총 회수에 인접하여 도시되어 있다. 마지막으로, 이 예에서 더 많은 샷이 표적의 좌측보다 우측으로 빗나갔음을 나타내는 분산 차트(chart)가 도시되어 있다.

220 단계에서 결정된 골퍼 특성 및 230 단계에서 결정된 골퍼의 최적 샷에 기초하여, 스윙 모델(245)은 골퍼의 스윙 동작 및 클럽 딜리버리 특성에 맞게 조정된다. 그런 다음, 프로세서(105)는 모든 파라미터 및/또는 가능한 스윙 변경을 스윙 모델에서 조정함으로써 잠재적 개선안(250)을 분석하여 골퍼의 성과 벤치마킹에 가장 큰 긍정적인 영향을 미칠 파라미터를 결정한다. 그런 다음, 벤치마킹 성과의 잠재적 개선은 각각의 파라미터 또는 스윙 변경에 대해 비교되는 한편, 어느 변경이 골퍼가 더 쉽게 달성할 수 있는지를 고려할 수도 있다. 그런 다음, 추천된 개선안의 결과를 도 6에 도시된 바와 같이 골퍼에게 제시할 수 있다(250 단계). 추천된 변경에는 (a) 가장 크게 긍정적인 영향을 미칠 변경(들)만, (b) 벤치마크에 긍정적인 영향을 미칠 모든 변경, 또는 (c) 벤치마크에 긍정적인 영향을 미칠 하나 이상의 선택된 변경이 포함될 수 있다.

도 6에서, 궤적 점수 및 정밀도 점수 둘 모두가 주어져 있다. 따라서, 전반적인 잠재적 개선을 결정할 때, 2개의 점수가 조합된다. 이러한 조합은 다양한 방식으로 수행될 수 있다. 간단한 접근 방식은 2개의 점수에 비슷한 가중치를 부여하는 것이다. 이는 총 성과 점수가 두 점수의 합 또는 평균일 수 있음을 의미한다. 더 많거나 상이한 하위 점수를 갖는 다른 점수기록 메커니즘이 또한 또는 대안적으로 수행될 수 있다. 그러나, 개선 추천의 순위를 매길 수 있도록 하위 점수를 전체 점수로 결합하는 것이 바람직하다.

대안적으로, 다수의 개선 카테고리 각각은 그 자체의 점수기록 메커니즘을 가질 수 있다. 예를 들어, 하나의 카테고리는 순위를 위한 궤적 점수만을 사용하는 효율/궤적일 수 있고, 다른 카테고리는 개선안의 순위를 위한 정밀도 점수만을 사용하는 정밀도일 수 있다. 그런 다음, 골퍼는 이들 카테고리로부터 게임의 어느 측면을 개선할지 결정할 수 있다.

250 단계에서 추천을 결정할 때, 골퍼가 파라미터 또는 스윙에 대한 추천된 변경을 달성하는 데 필요한 예상되는 상대적 노력을 고려할 수 있다. 또한, 일부 변경은 시스템(100)에 의해 자동으로 또는 골퍼(130)에 의해 분석에서 생략될 수 있다. 예를 들어, 골퍼는 장비 변경을 생략하기로 결정할 수 있거나, 그 반대로, 골퍼는 장비 변경만을 위해 추천을 볼 것을 요청할 수 있다. 후자는 일반적으로 전문 피팅(fitting) 강사가 하는 일이다.

250 단계에서 추천된 개선안을 결정하기 위한 대안적인 접근법은, 과거에 유사한 스윙 동작 또는 클럽 딜리버리 결함을 가진 다수의 골퍼의 이력 데이터뿐만 아니라, 시간이 지남에 따라 얼마나 잘 그리고 얼마나 빨리 개선되었는지, 그리고 개선하기 위해 어떤 변경이 있었는지에 기초하여 인공 지능 시스템을 통해 스윙 모델이 결정되는 것일 수 있다(245 단계). 이러한 시스템의 유효성은 점점 더 많은 데이터가 시스템에 의해 기록되고 사용되기 때문에 시간이 지남에 따라 개선될 것이다.

골퍼에게 추천된 개선안은 특정 파라미터 또는 스윙 동작을 변경하기 위해 260 단계에서 결정된 개인 집중 훈련 계획으로 이어질 수 있다. 260 단계에서 결정된 훈련 계획은, 당업자에 의해 이해되는 바와 같이 다른 유형의 클럽 또는 상이한 로프트 또는 다른 관점에서 상이한 사양을 갖는 클럽과 같은, 상이한 장비에 대한 제안에 의해 보충될 수 있다(265 단계). 또한, 추천은 골퍼가 보여준 것과 같은 스윙 결함에 긍정적인 영향을 미치는 것으로 알려진 개인 훈련에 대한 제안을 포함할 수 있다(268 단계).

본 실시예의 추가 측면은 플레이어 특성 및 추천을 사용하여 골퍼에게 클럽 세트(set)에 대한 변경, 소위 세트 메이크업(set makeup)을 제안하는 것이다. 골프 규칙은 플레이어가 최대 14개의 클럽을 플레이할 수 있도록 허용한다. 하지만 14개 이상의 클럽 유형을 사용할 수 있다. 따라서, 모든 골퍼는 어느 클럽 유형(예를 들어, 드라이버, 우드, 하이브리드, 아이언, 웨지, 퍼터)을 휴대할지 결정하고, 선택된 각 클럽에 대한 클럽 사양(예를 들어, 로프트, 길이, 무게 등)을 선택해야 한다. 종종 어떤 거리에서 우드에서 하이브리드로, 하이브리드에서 아이언으로 전환할지 결정하는 것은 느낌에 기반한다. 220 단계에서 결정된 골퍼 특성 및 235 단계에서 데이터베이스로부터 검색된 정보 뿐만 아니라 245 단계에서 결정된 스윙 모델에 기초하여, 시스템(100)은 골퍼의 클럽 및/또는 다양한 거리에 대한 클럽 선택에 대한 변경을 골퍼에게 제안하여, 골퍼의 모든 클럽에 걸쳐 240 단계에서 결정된 벤치마크 성과를 최대화할 수 있다. 이러한 측면에서, 시스템(100)은 통상적인 골프 라운드(round) 동안 각 클럽으로 치는 예상되는 샷 수에 관한 정보를 사용할 수 있다.

골퍼는 일반적으로 약간의 간격을 두고 특정 거리를 치는 능력을 고려하며, 예를 들어, 골퍼는 풀 스윙에 대해 10 m의 캐리 거리로 이격된 인접 클럽을 갖는 것을 선호할 수 있다. 그러나, 이것은 일반적으로 드라이버 거리에서 로브(lob) 웨지와 같은 가장 짧은 클럽까지 14개 클럽 모두에서는 가능하지 않다. 일반적으로, 골퍼는 가장 긴 아이언 및 어쩌면 가장 긴 하이브리드까지 클럽 사이에 10m 간격 같은 것을 갖고, 그런 다음 나머지 더 긴 클럽에 대해 더 큰 거리 간격을 선택하는 것을 선호한다. 시스템(100)은 유사한 로직(logic)으로 세트 메이크업을 결정할 수 있다.

세트 메이크업에 대한 이러한 추천은 골퍼가 모든 자신의 클럽을 치지 않은 경우에도 가능하다. 실제로, 이들 샷이 모두 단일 클럽 유형을 사용하더라도, 세트 메이크업은 시스템(100)에 의해 단 몇 번의 샷만이 분석된 후에 수행될 수 있다. 이것은, 골퍼가, 예를 들어, 6번 아이언을 치는 방식이 골퍼가 4번 아이언 또는 9번 아이언 또는 드라이버와 웨지 같은 다른 클럽을 치는 방법과 매우 유사하기 때문에 가능하다. 이는 퍼팅(putting)과 짧은 칩샷(chip shot)을 제외한 거의 모든 유형의 골프 샷을 수행하기 위한 신체 동작이 근본적으로 동일하기 때문이다. 도 9에, 남성 투어 프로 골퍼의 클럽 딜리버리 및 볼 발사와 비행 데이터의 평균이 도시되어 있다. 이웃 클럽에 대한 클럽 딜리버리 및 공 발사 데이터는 상호 연관성이 매우 높은 것으로 관찰되며, 이는 한 클럽의 데이터를 기반으로 다른 클럽의 클럽 딜리버리 및 공 비행 세부사항을 예측하는 것이 가능하다는 것을 보여준다. 이는 아마추어 골퍼들에게도 대단히 그러한 것으로 밝혀졌다. 그러나, 일반적으로 적절한 세트 메이크업 분석은 드라이버와 하나 이상의 아이언을 모두 치는 것을 포함한다.

그러나, 본 개시의 또 다른 측면은 골퍼 스윙 동작 및 클럽 딜리버리 특성의 데이터베이스를 사용하여 특정 장비가 골퍼의 게임에 긍정적인 영향을 미칠 것인지 여부를 결정하는 것이다. 이는 공통적으로 특정 스윙 특성을 갖는 골퍼에게 유용할 클럽을 식별하는 데 사용될 수 있다. 예를 들어, 제품은 스윙 특성을 고려할 때 이들 골퍼의 성과에 긍정적인 영향을 미칠 가능성이 있는 것으로 식별될 수 있다.

도 7에, 예시적인 일 실시예의 구현의 일례가 도시되어 있다. 도 7에서, 모든 원은 측정, 파라미터 또는 특성을 나타내고, 직사각형 박스는 주어진 입력 집합으로부터 출력을 생성하는 알고리즘, 프로세스 또는 네트워크이다.

도 7은 도 3에 도시된 골퍼 스윙에서 볼 궤적까지의 논리적 시퀀스의 전체 모델의 일례를 포함한다. 일부 실시예는 도 7에 도시된 모델의 사용 부분만을 고찰한다.

도 7은 스윙 동작(S)(310) 및 클럽 스윙 특성(pCs)(320)으로부터 클럽 딜리버리(C)(311)을 계산할 수 있는 스윙 모델(SM)(330)을 포함하는 구현(300)을 도시한다. 도 7은 또한, 클럽 딜리버리(311), 클럽 충돌 특성(pCc)(321) 및 볼 충돌 특성(pBc)(322)으로부터 볼 발사 조건(L)(312)을 계산할 수 있는 충돌 모델(CM)(331)을 포함한다. 그런 다음, 볼 비행 모델(BFM)(332)은 볼 발사 조건(312), 볼 공기역학적 특성(pBa)(323) 및 바람의 속도와 방향, 공기의 밀도, 온도 및 공기압과 같은 환경 조건(cE)(324)으로부터 볼 궤적(T)(313)을 계산한다. 그런 다음, BRM(bounce and roll model)(333)은 볼 궤적(313), 특히 착지 속도, 착지 각도 및 착지 스핀 속도, 및 잔디 조건(cT)(325)으로부터 볼의 최종 정지 위치(F)(314)를 계산한다.

다음에서 다양한 실시예들이 설명될 것이다. 위의 상이한 모델의 설명으로부터, 기술된 모델을 사용하거나 파라미터를 직접 측정함으로써 실시예의 다수의 변형이 달성될 수 있음이 명백하다. 예를 들어, 볼 발사 조건(312)를 알고 있는 경우, 볼 궤적(313) 및 최종 정지 위치(314)를 직접 결정하거나 측정할 필요가 없는 것이 분명한데, 이는 볼 궤적(313) 및 최종 정지 위치(314)가 볼 비행 모델(332) 및 BRM(333)을 사용하여 상당한 정확도로 계산될 수 있기 때문이다. 일부 실시예에서는, 파라미터를 직접 측정하는 것에 비해 모델(332, 333)을 사용하는 것이 바람직하며, 다른 실시예에서는 파라미터를 측정하는 것이 바람직하다.

본 실시예에서의 제1 단계는 골퍼 특성(GC)(315)를 생산하는 데 사용되는 스윙 특성화(SC)(340)이다. 이는 일반적으로 다수의 샷에 대한 스윙 동작(310) 및/또는 클럽 딜리버리(311) 데이터를 기록함으로써 이루어진다. 또한, 볼 발사 조건(312), 볼 궤적 데이터(313) 및 볼의 최종 정지 위치(314)도 동일한 샷에 대해 사용될 있다. 이 프로세스는 잘 맞은 샷 및 덜 맞은 또는 잘 맞지 않은 샷의 지능형 필터링을 포함할 수 있다.

일례에서, 골퍼 특성(315)은 다음에 의해 기술된다: "6번 아이언에 대한 82 mph의 클럽 속도, -3.2도의 공격 각도, -3도의 페이스-대-경로, 클럽 경로 +1.4도".

스윙 특성화(340)는, 예를 들어 표준 편차 또는 90% 신뢰 구간 또는 다른 통계적 설명의 관점에서 기술된 골퍼의 가변성에 대한 통계적 설명을 포함할 수도 있다. 일부 실시예에서, 너무 잘 맞지 않은 샷을 특성화하는 것이 또한 바람직할 수 있다. 일반적으로 엘리트(elite) 골퍼는 좋은 샷을 약간 개선하는 것보다 나쁜 샷을 제거하는 데 더 많은 관심을 보인다. 따라서, 그다지 잘 맞지 않은 샷에 대한 스윙 동작 및 클럽 딜리버리의 특성화는 이들 골퍼들에게 특히 흥미로울 수 있다.

골퍼를 위한 최적 샷(316)을 결정하기 위해, 샷 최적화(350)가 수행된다. 샷 최적화(350)는 골퍼 특성(315)을 입력으로 사용한다. 골퍼 특성(315)은 스윙 특성화(340)로부터 결정될 수 있거나, UIC(user input characteristic)(341) 또는 다른 소정의 방법에 기초할 수 있다. 자연적으로, 골퍼 특성(315)은 스윙 특성화(340) 및 UIC(341)의 조합일 수 있다.

최적 샷(316)을 결정할 때, 시스템(100)은 사용자 의도(UI)(345)를 사용할 수 있다. 사용자 의도(345)는 원하는 샷 유형(예를 들어, 높은 샷, 낮은 샷, 페이드, 드로우 등과 같은 바람직한 샷 형상), 또는 특정 캐리 거리 또는 착지 범위, 스핀 속도 등과 같은 다른 특성의 사용자 의도로 표현될 수 있다.

샷 최적화(350)는 또한 볼 발사 조건(312), 볼 궤적(313) 및/또는 최종 정지 위치(314)를 사용할 수 있다. 상술한 바와 같이, 어떤 측정이 사용 가능한 지에 따라 이들이 충돌 모델(331), 볼 비행 모델(332) 및 BRM(333)로부터 계산될 수 있다.

최적 샷(316)은 다양한 방식으로 표현될 수 있다. 이는 최적의 스윙 동작(Sopt), 클럽 딜리버리(Copt), 볼 발사 조건(Lopt), 볼 궤적(Topt) 및/또는 최종 정지 위치(Fopt)를 설명하는 파라미터로 표현될 수 있다. 바람직한 실시예에서, 최적 샷(316)은, 예를 들어, 클럽 딜리버리 파라미터(예를 들어, 클럽 속도, 클럽 경로, 공격 각도, 페이스 각도, 동적 로프트, 동적 라이, 충격 위치 등)에 대한 하나 이상의 최적 값뿐만 아니라, 볼 발사 조건 파라미터(예를 들어, 볼 속도, 발사 각도, 발사 방향, 스핀 속도, 스핀 축 등)에 대한 하나 이상의 최적 값으로 구성되는, 최적의 클럽 딜리버리(Copt) 및 최적의 볼 발사 조건(Lopt)에 의해 설명된다.

일 실시예에서, 샷 최적화(350)는 충돌 모델(331), 볼 비행 모델(332) 및 BRM(333)을 사용하여 골퍼 특성(315)의 부근에 있고 골퍼에 의해 달성 가능한 것으로 결정된 다양한 클럽 딜리버리로부터 다양한 볼 궤적 및 최종 정지 위치를 계산한다. 많은 다양한 볼 궤적 및 최적 궤적의 데이터베이스에서, 골퍼의 특성(315)에 가장 가까운 최적 샷을 찾는다. 최적의 클럽 딜리버리 및 궤적의 일례가 도 9에 도시되어 있으며, 이는 남성 투어 프로 골프 플레이어의 평균을 나타낸다. 샷 최적화(350)의 일부인 데이터베이스는 도 9에 도시된 것과 유사한 프로 골퍼들의 수천 개의 클럽 딜리버리 및 볼 발사 조건으로 구성될 수 있으므로, 모든 종류의 클럽, 모든 종류의 클럽 속도 및 모든 종류의 다양한 샷 형상을 포함한다. 데이터베이스는, 또한, 효율적인 충돌만을 고려하도록 구성된 충돌 모델(331)에 의해 완전히 또는 부분적으로 대체될 수 있다.

벤치마킹(360)은 골퍼의 실제 볼 발사 조건(312), 볼 궤적(313) 및/또는 최종 정지 위치(314)를 최적 샷(316)에 대한 해당 데이터와 비교함으로써 수행된다. 벤치마킹(360)은 또한 골퍼 스윙 동작(310) 및/또는 클럽 딜리버리(311)를 사용하고 대응하는 최적 데이터와 비교할 수 있다. 벤치마킹(360)은, 높은 정도로, 스윙 동작(S)(310)과 Sopt, 클럽 딜리버리(C)(311)와 Copt, 볼 발사 조건(L)(312)과 Lopt, 볼 궤적(T)(313)과 Topt 및/또는 최종 정지 위치(F)(314)와 Fopt를 비교한 것이다.

벤치마킹(360)의 결과는 벤치마크(317)이다. 벤치마크(317)은 바람직하게는 벤치마크(317)를 정량화할 수 있게 하는 하나 이상의 점수(Q)로 표현된다. 바람직한 실시예에서, 다음 2개의 점수가 계산된다: 일반적으로 골퍼의 잘 친 샷만을 사용하여, 골퍼가 최적 샷 궤적을 얼마나 잘 달성할 수 있는지를 나타내는 궤적 점수(Q_궤적), 및 일반적으로 골퍼의 모든 샷을 사용하여, 골퍼가 볼을 의도된 표적에 얼마나 잘 멈추도록 할 수 있는지를 나타내는 정밀도 점수(Q_정밀도).

골퍼가 매번 최적 샷을 반복할 수 있는 극단적인 경우, 벤치마크 점수는, 척도에 따라 도 5 및 도 6에서와 같이 100점과 같은 최대값이 될 것이다.

골퍼의 벤치마크 점수(317)는 골퍼를 분류하는 데 사용될 수도 있다. 도 8에서, 골퍼의 분류는 달성된 궤적 및 정밀도 점수에 기초하여 수행된다. 이 분류는 골퍼의 모든 클럽, 여러 골퍼에 대해 수행되거나, 유사한 클럽 속도를 가진 골퍼로 세분될 수 있다. 이러한 유형의 골퍼 분류는 무슨 유형의 서비스 또는 제품이 어떤 유형의 골퍼에게 도움이 될지 이해하는 데 도움이 될 수 있다.

골퍼를 위한 추천된 개선안(370)을 결정하기 위해, 볼 궤적 및 최종 정지 위치를 결정하는 모든 다양한 파라미터가 테스트(test)되어 각 파라미터 또는 파라미터들의 임의의 조합이 벤치마크 점수(317)에 얼마나 영향을 미치는지를 결정한다. 이는, 예를 들어, 골퍼의 실제 값으로부터 최적 샷(316)에 대응하는 값까지 각 파라미터를 조정하고 벤치마크 점수(317)의 변화를 계산함으로써 수행될 수 있다. 이는 골퍼의 모든 샷 또는 일부 샷에 대해 수행될 수 있다. 테스트하기 위한 파라미터는, 예를 들어, 골퍼의 스윙 동작(S) 또는 클럽 딜리버리(C), 클럽 스윙 특성(pC), 클럽 충돌 특성(pCc) 및/또는 볼 충돌 특성(pBc)을 포함할 수 있다.

수학적으로 추천을 결정하기 위한 계산은 dQ/dP를 계산함으로써 이루어질 수 있는데, 여기서 dQ는 파라미터(또는 파라미터들의 그룹) P를 실제 값에서 최적 샷(316)에 대응하는 골퍼의 개인 최적 값(Popt)(dP=Popt-P)으로 변경할 때의 벤치마크 점수(Q)(317)의 변화이다.

벤치마크 점수(317)에 긍정적인 영향(dQ>0)을 갖는 모든 파라미터 변경은 권장될 수 있다. 그러나, 바람직한 실시예에서, 각 파라미터 변경이 벤치마크 점수(317)를 개선할 것으로 기대되는 정도에 따라 추천들의 순위가 매겨진다. 일 실시예에서, 벤치마크 점수(317)에서 가장 큰 개선을 제공하는 변경만이 추천된다 -- "가장 큰 영향을 미칠, 즉 가장 가성비가 좋은 한 가지 변경은 무엇인가".

장비 변경과 같은 다른 영역에서의 변경을 추천하지 않고, 스윙 동작 또는 클럽 딜리버리 변경과 같은 특정 카테고리 내의 변경만 표시하도록 추천을 필터링할 수 있다. 또한, 추천은 클럽 샤프트 사양, 클럽 헤드 모델 사양, 볼 유형 사양 등에 대한 변경과 같은 장비 파라미터 변경만을 표시하도록 제한될 수 있다. 후자의 상황은, 골퍼가 실제로 골프 클럽을 스윙할 때 장비가 골퍼에게 피팅되는 피팅 세션(session)에서 전형적이다.

추천은 도 6의 예에 도시된 것과 유사할 수 있으며, 여기서 "스핀 로프트"는, 최적으로 만들어질 경우 벤치마크 점수(317)를 가장 증가시킬 가장 영향력 있는 파라미터로서 식별되었다. 도 6에서, 영향력이 덜하지만, 여전히 긍정적인 영향을 미치는 추천(예를 들어, 스윙 방향, 충격 위치 등의 변경)도 제시된다. "스핀 로프트"와 같은 특정 파라미터를 개선하기 위한 추천은 골퍼 일관성 및 측정 허용 오차 둘 다에서 자연적인 가변성을 반영하는 최적의 값 및 허용 가능한 범위(예를 들어, 스핀 로프트는 +-1도 이내에서 25.5도여야 함)와 연관될 수 있다. 허용 가능한 범위는 또한 골퍼의 기술 수준을 반영하도록 조정될 수 있다.

특정 파라미터를 개선하기 위한 추천은 골퍼에 의해 달성된 파라미터의 평균 값을 변경하는 것에 관한 것일 수 있지만, 골퍼에 의해 달성된 평균 실제 값이 최적 값과 동일한 경우에도 파라미터의 가변성을 감소시키는 것에 관한 것일 수도 있다. 대부분의 경우 평균과 변동성이 모두 개선되도록 권장된다.

추천의 일례는 골퍼의 드라이버 공격 각도를 평균 0도에서 평균 +5도로 변경하는 것일 수 있다. 시스템은 이러한 변경으로부터 초래될 것으로 기대되는 개선을 추가로 계산할 수 있다. 예를 들어, 시스템은, 특정 결함이 제거되거나 최소화되는 경우, 골퍼가 11야드의 캐리 거리 증가 및 (예를 들어, 0 내지 100의 척도에서) 5점의 벤치마크 점수(317) 개선을 달성할 수 있음을 계산할 수 있다. 골퍼가 추천을 따르기 위한 이러한 유형의 동기 부여는 강사 또는 코치에 의해 제공될 수 없고, 예를 들어, 골퍼 및 아마도 수백 명의 다른 골퍼에 의한 많은 샷을 처리하는 데 필요한 모든 계산을 할 수 있는 프로세서를 가진 시스템이 필요하다.

추가적인 실시예는 인간 코치로부터 이용할 수 없는 고유한 출력을 사용자에게 제공한다. 예를 들어, 골퍼의 스윙 비디오는 스윙 변경 추천을 구현하기 위해 이뤄질 상이한 신체 부위의 위치 변경을 나타내는 데이터와 중첩될 수 있다. 예를 들어, 원하는 공격 각도의 변경을 달성하기 위해 또는 다른 원하는 변경을 달성하기 위해 어깨나 팔꿈치가 따라갈 새로운 경로를 보여주기 위해, 비디오가 볼에 상대적인 발의 원하는 재배치를 보여주도록 (예를 들어, 그래픽 또는 별도의 비디오 이미지를 중첩함으로써) 변경될 수 있다. 시스템(100)에 의해 이와 같이 추천된 변경은 또한 성과의 후속 변화가 스윙 변경 추천과 연관될 수 있도록 기록되고 그 데이터는 이러한 정보로 태그(tag)가 지정될 수 있다. 당업자는, 시스템(100)이 또한 플레이어의 후속 골프 샷에 대응하는 데이터를 측정하고 기록하여, 이러한 제안된 스윙 변경이 골퍼에 의해 실제로 구현된 정도를 측정할 수 있음을 이해할 것이다. 이러한 데이터는 또한 스윙 변경 추천과 연관될 수 있고, 시간 경과에 따라 골퍼의 측정된 성과 변화와 상관될 수 있다.

당업자에 의해 이해되는 바와 같이, 이는 다양한 바이오메트릭(biometric) 및 스윙 특성을 갖는 다양한 골퍼로부터의 다수의 샷으로 데이터베이스를 구축할 수 있게 하여, 신경망은 특정 골퍼에 대해 개선할 가능성이 가장 높은 변경을 보다 정확하게 식별하고 주어진 추천의 구현과 연관된 잠재적 개선을 정량화하도록 학습할 수 있다. 예를 들어, 도 6에 도시된 데이터를 받은 골퍼는 제안된 변경을 구현할 수 있고, (또한, 추천에 응답하여 골퍼의 실제 물리적 스윙 변화를 기록하는 동안) 골퍼의 후속 성과 변화가 측정되고 기록된다.

시스템(100)은 또한 골퍼에게 제안되는 관련 집중 연습의 시간 및 결과를 추적할 수 있다. 그런 다음, 이 데이터는 데이터베이스에 저장되고, 그런 다음 이 골퍼 및 동일하거나 유사한 제안을 받은 모든 다른 골퍼(예를 들어, 하나 이상의 선택된 특성을 공통적으로 갖는 골퍼의 임의의 선택된 하위 집합)에 대한 데이터는 예측된 결과를 실제로 획득된 결과와 비교하는 신경망을 학습시키는 데 사용될 수 있다. 이는 신경망이 임의의 제안으로 인해 긍정적인 변화에 대한 더 높거나 더 낮은 잠재력을 나타내는 골퍼의 특성을 식별하고, 제안된 변경의 순위와 정량화 및 특정 골퍼의 게임에 대한 이들의 연관된 잠재적 영향을 개선하도록 허용할 것이다. 또한, 집중된 연습 데이터를 검토함으로써, 신경망은 임의의 주어진 골퍼에 대해 특정 연습 요법을 보다 덜 효과적으로 만드는 골퍼 특성을 식별할 수 있다.

당업자는 또한, 일 실시예가 집중된 연습을 위한 특정 추천이 가치가 있다고 식별하는 모든 방법을 진행할 필요가 없다는 것을 이해할 것이다. 위의 분석에 기초하여, 예를 들어, 볼 타격에서, 가장 영향력 있는 변경 중 하나 이상을 간단하게 식별하는 시스템(100), 골퍼 또는 코치는 연습 효율을 개선하기 위해 이러한 변경을 하는 수단을 선택할 수 있다. 그런 다음 이러한 시스템이 골퍼에게 최적 샷 궤적에 관한 데이터를 제공하는 경우, 골퍼는 제안된 개선으로 인한 볼 비행의 실제 변화를 인정할 것이기 때문에 이것은 여전히 더 가치가 있을 것이다. 마지막으로, 시스템은 최적 샷에 기초하여 상술한 바와 같은 벤치마크를 연산하여 인간에 의해 계산될 수 없는 더 많은 데이터를 제공할 수 있다.

실시예의 시스템은 다양한 파라미터들을 결합 및 분석하고, 이전에는 달성할 수 없었던 많은 인자들의 미묘한 상호작용으로 인한 데이터를 생성하여 스포츠 플레이어들이 조언과 코칭의 인간 제공자를 통해 얻을 수 없는 새로운 방식으로 상이한 작용 과정에 의해 얻어질 수 있는 정량적 결과를 이해하게 함을 당업자는 이해할 것이다. 또한, 레이더 및 이미지 기반 스포츠 볼 추적 시스템의 유형에 의해 생성된 이러한 데이터의 대부분은, 개별 골퍼에 대한 성과의 변화를 보여줄 수 있는 이력 데이터와 함께, 신경망을 학습시켜 인간 정신의 능력을 훨씬 넘어서는 방식으로 많은 수의 변수 사이의 관계를 파악하여 완전히 새로운 데이터 클래스를 생성하는 데 사용될 수 있다는 것을 당업자는 이해할 것이다. 여기에 첨부된 청구범위에 의해서만 제한되도록 의도되는 본 발명의 범위를 벗어나지 않고서 실시예에 다양한 변경이 이루어질 수 있다.

Claims (18)

1. 골프 샷의 잠재적인 궤적 변경을 결정하는 시스템에 있어서,
   골퍼의 스윙에 관한 스윙 데이터 및 골퍼가 친 복수의 샷 각각의 궤적에 관한 궤적 데이터를 감지하는 센서 어레이; 및
   데이터 저장소 및 프로세서를 포함하는 컴퓨팅 장치(computing arrangement)를 포함하되, 상기 프로세서는
   상기 데이터 저장소에 상기 스윙 데이터 및 상기 궤적 데이터를 저장하는 단계, 및
   상기 스윙 데이터 및 상기 궤적 데이터에 기초하여 출력 데이터를 결정하되, 상기 출력 데이터는 상기 골퍼가 달성할 수 있는 최적 샷을 나타내는 단계를 수행하도록 구성된, 시스템.
2. 제1항에 있어서, 상기 프로세서는 미스샷(mishit)을 나타내는 상기 골퍼가 친 샷을 식별하도록 구성되고, 상기 스윙 데이터는 상기 골퍼가 친 샷의 적어도 일부에 대한 클럽 속도를 포함하고, 상기 최적 샷은 미스샷으로 식별되지 않은 상기 골퍼가 친 샷의 클럽 속도에 기초하여 결정되는, 시스템.
3. 제2항에 있어서, 상기 스윙 데이터는 상기 골퍼가 친 샷의 적어도 일부에 대해 공격 각도, 클럽 경로, 동적 로프트 및 페이스 각도 중 적어도 하나를 포함하는, 시스템.
4. 제3항에 있어서, 상기 프로세서는 상기 골퍼에 의한 샷이 표적 영역 내에 착지할 가능성을 나타내는 상기 궤적 데이터에 기초하여 골퍼에 대한 정밀도 점수를 추가로 결정하고, 상기 프로세서는 또한 상기 골퍼가 친 샷의 궤적과 최적 샷과 연관된 궤적 사이의 대응 정도(a degree of correspondence)를 나타내는 상기 궤적 데이터에 기초하여 상기 골퍼에 대한 궤적 점수를 결정하는, 시스템.
5. 제4항에 있어서, 상기 프로세서는 상기 골퍼의 정밀도 점수 및 상기 골퍼의 궤적 점수 중 하나에 긍정적인 영향을 미칠 상기 골퍼의 클럽 딜리버리에 대한 변화를 추가로 식별하는, 시스템.
6. 제1항에 있어서, 상기 프로세서는 미스샷을 나타내는 상기 골퍼가 친 샷을 식별하도록 구성되고, 상기 출력 데이터는 미스샷으로 식별되지 않은 상기 골퍼가 친 모든 샷을 기반으로 하는, 시스템.
7. 제1항에 있어서, 상기 컴퓨팅 장치는
   상기 데이터 저장소에 상기 스윙 데이터 및 상기 궤적 데이터를 저장하고;
   미스샷을 나타내는 제1 골퍼가 친 샷을 식별하고;
   상기 스윙 데이터 및 상기 궤적 데이터에 기초하여 출력 데이터를 결정하되, 상기 출력 데이터는 상기 제1 골퍼가 달성할 수 있는 최적 샷을 나타내고;
   복수의 추가 골퍼 각각에 대한 복수의 골프 샷에 대한 스윙 및 궤적 데이터를 포함하는 상기 데이터 저장소로부터의 잠재적 제1 비교 데이터를 포함하는 제1 학습 세트를 생성하되, 상기 제1 잠재적 비교 데이터는 상기 제1 골퍼의 스윙 및 궤적 데이터에 대응하는 것으로 미리 식별된 스윙 및 궤적 데이터를 갖는 상기 추가 골퍼들의 데이터에 대응하는 잠재적 비교 골퍼 데이터를 포함하고;
   상기 잠재적 비교 데이터 및 스윙 변경 추천 및 장비 변경 추천 중 한 가지 이전 및 이후에 제1 골퍼의 골프 샷의 변화에 대응하는 데이터를 사용하여 신경망을 학습시키고;
   상기 제1 골퍼가 받은 상기 스윙 변경 추천 및 장비 변경 추천 중 동일한 것을 받기 전부터 받은 후까지 상기 제1 골퍼의 진행 정도와 유사한 정도를 나타낸 상기 제1 비교 데이터에서 식별된 골퍼들의 데이터를 포함하는 제2 학습 세트를 생성하고; 및
   상기 제2 학습 세트를 사용하여 상기 신경망을 학습시키도록 구성된, 시스템.
8. 제7항에 있어서, 상기 스윙 변경 추천 및 장비 변경 추천 중 한 가지가 스윙 변경 추천일 때, 상기 출력 데이터는 상기 스윙 변경 추천을 나타내는 데이터와 중첩된 상기 제1 골퍼의 비디오를 포함하는, 시스템.
9. 골퍼를 훈련시키는 방법에 있어서,
   데이터 저장소에 상기 골퍼의 스윙에 관한 스윙 데이터 및 상기 골퍼가 친 복수의 샷에 관한 궤적 데이터를 저장하는 단계;
   포르세서가 상기 골퍼가 친 샷 중 어느 하나가 미스샷을 나타내는지 여부를 결정하는 단계; 및
   상기 프로세서가 상기 스윙 데이터 및 상기 궤적 데이터에 기초하여, 상기 골퍼가 달성할 수 있는 최적 클럽 딜리버리 및 최적 궤적을 결정하는 단계를 포함하는, 방법.
10. 제9항에 있어서, 상기 스윙 데이터는 상기 골퍼가 친 샷의 적어도 일부에 대한 클럽 속도를 포함하고, 상기 최적 클럽 딜리버리는 미스샷으로 식별되지 않은 골퍼가 친 샷에 대한 상기 클럽 속도에 기초하여 결정되는, 방법.
11. 제9항에 있어서, 상기 스윙 데이터는, 상기 골퍼가 친 샷의 적어도 일부에 대해, 공격 각도, 클럽 경로, 동적 로프트 및 페이스 각도를 포함하는, 방법.
12. 제9항에 있어서,
    상기 골퍼에 의한 샷이 표적 영역 내에 착지할 가능성을 나타내는 상기 궤적 데이터에 기초하여 상기 골퍼에 대한 정밀도 점수를 결정하는 단계; 및
    상기 골퍼가 친 샷의 궤적과 상기 최적 궤적 사이의 대응 정도를 나타내는 상기 궤적 데이터에 기초하여 상기 골퍼에 대한 궤적 점수를 결정하는 단계를 추가로 포함하는, 방법.
13. 제9항에 있어서,
    상기 골퍼의 정밀도 점수 및 궤적 점수 중 하나에 긍정적인 영향을 미칠 상기 골퍼의 클럽 딜리버리에 대한 변화를 식별하는 단계를 추가로 포함하는, 방법.
14. 제9항에 있어서,
    상기 프로세서가 미스샷으로 식별되지 않은 상기 골퍼가 친 모든 샷에 대한 상기 스윙 데이터 및 상기 궤적 데이터에 기초하여 상기 골퍼가 달성할 수 있는 최적의 궤적을 결정하는 단계를 추가로 포함하는, 방법.
15. 골프 샷의 잠재적인 궤적 변경을 결정하는 시스템에 있어서,
    제1 골퍼가 친 복수의 샷 각각의 스윙에 관한 스윙 데어터 및 궤적에 관한 궤적 데이터를 감지하는 센서 어레이; 및
    데이터 저장소 및 프로세서를 포함하는 컴퓨팅 장치를 포함하되, 상기 프로세서는
    상기 데이터 저장소에 상기 스윙 데이터 및 상기 궤적 데이터를 저장하는 단계:
    상기 스윙 데이터 및 상기 궤적 데이터에 기초하여 출력 데이터를 결정하되, 상기 출력 데이터는 상기 제1 골퍼가 달성할 수 있는 최적 샷을 나타내는 단계;
    복수의 추가 골퍼 각각에 대한 복수의 골프 샷에 대한 스윙 및 궤적 데이터를 포함하는 상기 데이터 저장소로부터의 잠재적 비교 데이터를 포함하는 학습 세트를 생성하되, 상기 제1 잠재적 비교 데이터는 상기 제1 골퍼의 스윙 및 궤적 데이터에 대응하는 것으로 미리 식별된 스윙 및 궤적 데이터를 갖는 상기 추가 골퍼들의 데이터에 대응하는 잠재적 비교 골퍼 데이터를 포함하는 단계; 및
    상기 잠재적 비교 데이터 및 시간 경과에 따른 상기 골퍼의 진행을 나타내는 스윙 및 궤적 데이터를 포함하는 상기 복수의 추가 골퍼 각각에 대한 데이터 저장소로부터의 데이터를 사용하여 모델을 학습시키는 단계를 수행하도록 구성된, 시스템.
16. 제15항에 있어서, 상기 데이터 저장소 내의 데이터는, 상기 복수의 추가 골퍼로부터의 데이터와 시간적으로 연관된 스윙 및 장비 변경 추천을 나타내는 데이터를 포함하되, 상기 데이터는 상기 학습 데이터에 포함되는, 시스템.
17. 제15항에 있어서, 상기 프로세서는, 미스샷을 나타내는 상기 제1 골퍼가 친 샷을 식별하도록 구성되는, 시스템.
18. 제15항에 있어서, 상기 모델은 신경망인, 시스템.

Images