論文の概要: Personalized Motion Guidance Framework for Athlete-Centric Coaching

• arxiv url: http://arxiv.org/abs/2510.10496v1
• Date: Sun, 12 Oct 2025 08:21:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 20:23:38.933121
• Title: Personalized Motion Guidance Framework for Athlete-Centric Coaching
• Title（参考訳）: スポーツセンターコーチングのためのパーソナライズされたモーションガイダンスフレームワーク
• Authors: Ryota Takamidoa, Chiharu Suzukia, Hiroki Nakamoto,
• Abstract要約: 本研究では,運動能力を高めるためにPMGF(Personalized Motion Guidance Framework)を開発した。 PMGFは、生成人工知能技術を用いて、個別化されたモーションリファインメントガイドを生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A critical challenge in contemporary sports science lies in filling the gap between group-level insights derived from controlled hypothesis-driven experiments and the real-world need for personalized coaching tailored to individual athletes' unique movement patterns. This study developed a Personalized Motion Guidance Framework (PMGF) to enhance athletic performance by generating individualized motion-refinement guides using generative artificial intelligence techniques. PMGF leverages a vertical autoencoder to encode motion sequences into athlete-specific latent representations, which can then be directly manipulated to generate meaningful guidance motions. Two manipulation strategies were explored: (1) smooth interpolation between the learner's motion and a target (e.g., expert) motion to facilitate observational learning, and (2) shifting the motion pattern in an optimal direction in the latent space using a local optimization technique. The results of the validation experiment with data from 51 baseball pitchers revealed that (1) PMGF successfully generated smooth transitions in motion patterns between individuals across all 1,275 pitcher pairs, and (2) the features significantly altered through PMGF manipulations reflected known performance-enhancing characteristics, such as increased stride length and knee extension associated with higher ball velocity, indicating that PMGF induces biomechanically plausible improvements. We propose a future extension called general-PMGF to enhance the applicability of this framework. This extension incorporates bodily, environmental, and task constraints into the generation process, aiming to provide more realistic and versatile guidance across diverse sports contexts.
• Abstract（参考訳）: 現代スポーツ科学における重要な課題は、制御された仮説駆動実験から導かれたグループレベルの洞察と、個々のアスリートのユニークな運動パターンに合わせたパーソナライズされたコーチングの現実的な必要性のギャップを埋めることである。 本研究では, 個人化動作誘導フレームワーク(PMGF)を開発した。 PMGFは垂直オートエンコーダを利用して、運動シーケンスをアスリート固有の潜在表現にエンコードし、直接操作して意味のある誘導動作を生成する。 1) 学習者の動作と目標(例えば専門家)の動きの円滑な補間により観察学習が容易になり, (2) 局所最適化手法を用いて潜時空間の最適方向の運動パターンをシフトさせる2つの操作方法を検討した。 その結果, (1) PMGFは, 選手間の動きパターンのスムーズな変化を全1,275個のピッチャーペア間で生成し, 2) PMGF操作によって変化した特徴は, 高速度に伴うストライド長, 膝伸展などの既知のパフォーマンス向上特性を反映し, PMGFが生体力学的に妥当な改善をもたらすことが示唆された。 我々は、このフレームワークの適用性を高めるために、General-PMGFと呼ばれる将来の拡張を提案する。 この拡張は、身体的、環境的、タスクの制約を生成プロセスに含み、様々なスポーツコンテキストにまたがるより現実的で多目的なガイダンスを提供することを目的としている。

関連論文リスト

• Learning golf swing signatures from a single wrist-worn inertial sensor [0.0]
  単一手首センサを用いたゴルフスイング分析のためのデータ駆動型フレームワークを構築した。 我々は、技術的欠陥の検出と可視化を容易にする動きプリミティブの合成、離散的な語彙を学習する。 本システムでは,手首データから全身運動とスイングイベントを正確に推定し,実験室での動作解析を行う。
  論文  参考訳（メタデータ） (2025-06-20T22:57:59Z)
• GENMO: A GENeralist Model for Human MOtion [64.16188966024542]
  本稿では,1つのフレームワークで動作推定と生成を橋渡しする汎用人体運動モデル GENMO を提案する。 我々の重要な洞察は、出力運動が観測された条件信号を正確に満たさなければならないような制約された動き生成として運動推定を再構成することである。 我々の新しいアーキテクチャは、可変長動きと混合マルチモーダル条件(テキスト、オーディオ、ビデオ)を異なる時間間隔で処理し、柔軟な制御を提供する。
  論文  参考訳（メタデータ） (2025-05-02T17:59:55Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• Biomechanics-Guided Residual Approach to Generalizable Human Motion Generation and Estimation [21.750804738752105]
  3つの中心となるイノベーションを持つバイオメカニック・アウェア・フレームワークであるBioVAEを提案する。 複数のベンチマークにおいて,BioVAEが最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-03-08T10:22:36Z)
• MotionGPT-2: A General-Purpose Motion-Language Model for Motion Generation and Understanding [76.30210465222218]
  MotionGPT-2は、MLMLM(Large Motion-Language Model)である。 LLM(Large Language Models)によるマルチモーダル制御をサポートしている。 難易度の高い3次元全体運動生成タスクに高い適応性を持つ。
  論文  参考訳（メタデータ） (2024-10-29T05:25:34Z)
• Counterfactual Explanation-Based Badminton Motion Guidance Generation Using Wearable Sensors [7.439909114662477]
  本研究では,パーソナライズされた動作ガイドを生成することにより,バドミントン選手のストローク品質を向上させる枠組みを提案する。 これらのガイドは、逆ファクトアルゴリズムに基づいており、初心者と熟練者の間のパフォーマンスギャップを減らすことを目的としている。 本手法は,専門家の知識を必要とせず,選手の動作改善を支援するために,可視化可能なデータを通じて共同レベルのガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-05-20T05:48:20Z)
• Spectral Motion Alignment for Video Motion Transfer using Diffusion Models [54.32923808964701]
  スペクトル運動アライメント(英: Spectral Motion Alignment、SMA)は、フーリエ変換とウェーブレット変換を用いて運動ベクトルを洗練・整列するフレームワークである。 SMAは周波数領域の正規化を取り入れて動きパターンを学習し、全体フレームのグローバルな動きのダイナミクスの学習を容易にする。 大規模な実験は、様々なビデオカスタマイズフレームワーク間の計算効率と互換性を維持しながら、モーション転送を改善するSMAの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-22T14:47:18Z)
• AMP: Adversarial Motion Priors for Stylized Physics-Based Character Control [145.61135774698002]
  我々は,与えられたシナリオで追跡するキャラクタの動作を選択するための完全自動化手法を提案する。 キャラクタが実行するべきハイレベルなタスク目標は、比較的単純な報酬関数によって指定できる。 キャラクタの動作の低レベルスタイルは、非構造化モーションクリップのデータセットによって指定できる。 本システムでは,最先端のトラッキング技術に匹敵する高品質な動作を生成する。
  論文  参考訳（メタデータ） (2021-04-05T22:43:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。