論文の概要: SportsGPT: An LLM-driven Framework for Interpretable Sports Motion Assessment and Training Guidance

• arxiv url: http://arxiv.org/abs/2512.14121v1
• Date: Tue, 16 Dec 2025 06:05:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.612896
• Title: SportsGPT: An LLM-driven Framework for Interpretable Sports Motion Assessment and Training Guidance
• Title（参考訳）: SportsGPT:スポーツ運動評価・トレーニングガイダンスのためのLLM駆動型フレームワーク
• Authors: Wenbo Tian, Ruting Lin, Hongxian Zheng, Yaodong Yang, Geng Wu, Zihao Zhang, Zhang Zhang,
• Abstract要約: スポーツ運動評価とトレーニング指導を解釈するLLM駆動型フレームワークであるSportsGPTを提案する。 MotionDTWは2段階の時系列アライメントアルゴリズムである。 SportsRAGは、Qwen3をベースとしたRAGベースのトレーニングガイダンスモデルである。
• 参考スコア（独自算出の注目度）: 22.480385290370663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing intelligent sports analysis systems mainly focus on "scoring and visualization," often lacking automatic performance diagnosis and interpretable training guidance. Recent advances of Large Language Models (LMMs) and motion analysis techniques provide new opportunities to address the above limitations. In this paper, we propose SportsGPT, an LLM-driven framework for interpretable sports motion assessment and training guidance, which establishes a closed loop from motion time-series input to professional training guidance. First, given a set of high-quality target models, we introduce MotionDTW, a two-stage time series alignment algorithm designed for accurate keyframe extraction from skeleton-based motion sequences. Subsequently, we design a Knowledge-based Interpretable Sports Motion Assessment Model (KISMAM) to obtain a set of interpretable assessment metrics (e.g., insufficient extension) by constrasting the keyframes with the targe models. Finally, we propose SportsRAG, a RAG-based training guidance model based on Qwen3. Leveraging a 6B-token knowledge base, it prompts the LLM to generate professional training guidance by retrieving domain-specific QA pairs. Experimental results demonstrate that MotionDTW significantly outperforms traditional methods with lower temporal error and higher IoU scores. Furthermore, ablation studies validate the KISMAM and SportsRAG, confirming that SportsGPT surpasses general LLMs in diagnostic accuracy and professionalism.
• Abstract（参考訳）: 既存の知的スポーツ分析システムは、しばしば自動的なパフォーマンス診断と解釈可能なトレーニングガイダンスを欠いている「装飾と可視化」に重点を置いている。 近年のLMM(Large Language Models)とモーション分析技術の進歩は、上記の制限に対処する新たな機会を提供する。 本稿では,スポーツの動作評価とトレーニング指導をLLMで行うフレームワークであるSportsGPTを提案する。 まず、高品質なターゲットモデルが与えられた場合、骨格に基づく動きシーケンスから正確なキーフレーム抽出のために設計された2段階の時系列アライメントアルゴリズムであるMotionDTWを導入する。 その後、知識に基づく解釈可能なスポーツ運動評価モデル(KISMAM)を設計し、キーフレームをタージモデルと組み合わせることで、解釈可能な評価指標(例えば、不十分な拡張)のセットを得る。 最後に,Qwen3に基づくRAGに基づくトレーニング指導モデルであるSportsRAGを提案する。 6Bの知識ベースを活用することで、LLMはドメイン固有のQAペアを取得することで、プロフェッショナルなトレーニングガイダンスを生成する。 実験の結果,MotionDTWは時間誤差が低く,IoUスコアが高い従来の手法よりも有意に優れていた。 さらに、Ablation studyはKISMAMとSportsRAGを検証し、SportsGPTが診断精度と専門性において一般的なLLMを上回ることを確認した。

関連論文リスト

• DeepSport: A Multimodal Large Language Model for Comprehensive Sports Video Reasoning via Agentic Reinforcement Learning [25.001089287899998]
  DeepSportは、マルチタスク、マルチスポーツビデオ理解のために設計された、エンドツーエンドでトレーニングされた最初のMLLMフレームワークである。 我々の研究は、多様なスポーツの複雑さに対処するために、ドメイン固有のビデオ推論のための新しい基盤を確立する。
  論文  参考訳（メタデータ） (2025-11-17T02:57:15Z)
• SportR: A Benchmark for Multimodal Large Language Model Reasoning in Sports [21.410115837645318]
  SportRは、スポーツインテリジェンスに必要な基本的な理由に基づいてMLLMを訓練し、評価するために設計された最初のマルチスポーツ大規模ベンチマークである。 私たちのベンチマークでは,5,017枚の画像と2,101本のビデオのデータセットが提供されている。 罰則の決定や戦術の説明など,多段階の推論を必要とする最も先進的なタスクに対して,我々は7,118の高品質な人間による思考の連鎖(Chain of Thought)アノテーションを提供する。
  論文  参考訳（メタデータ） (2025-11-09T18:55:20Z)
• Video-LMM Post-Training: A Deep Dive into Video Reasoning with Large Multimodal Models [78.32948112203228]
  ビデオ理解はコンピュータビジョンにおける最も困難なフロンティアである。 近年,映像理解タスクにおいて,映像多時間モデルが顕著に出現している。 Surveyは、ビデオ-LMM能力を向上するための統一的なフレームワークを研究者や実践者に提供することを目的としている。
  論文  参考訳（メタデータ） (2025-10-06T17:10:44Z)
• Biomechanical-phase based Temporal Segmentation in Sports Videos: a Demonstration on Javelin-Throw [0.0]
  伝統的なスポーツ分析技術は手動のアノテーションや実験室に基づく計測に依存している。 このような文脈的に認識された時間的セグメンテーションのための新しい教師なしフレームワークを提案する。 提案手法は,テストデータの平均精度(mAP)が71.02%,F1スコアが74.61%であり,競合するベースラインよりもかなり高い。
  論文  参考訳（メタデータ） (2025-09-29T11:11:46Z)
• SV3.3B: A Sports Video Understanding Model for Action Recognition [0.0]
  本稿では,スポーツビデオの自動解析の課題について述べる。 現在のアプローチは、意味のあるスポーツ分析に不可欠な、微妙な生体力学的遷移を捉えるのに苦労している。 本稿では,軽量な3.3Bパラメータ映像理解モデルであるSV3.3Bを紹介する。
  論文  参考訳（メタデータ） (2025-07-23T18:11:39Z)
• Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
  自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。 運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。 提案手法は,既存手法の予測性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2022-04-12T14:59:48Z)

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。