![pageSearch](/themes/hestia/images/page-search.webp)
Dieses B&B (Bud und Bong) ist ein Waldparadies für Kiffer
Mar 06, 2023Das Leben von Expats in Costa Rica: Die Geschichte von Pancho:
Mar 08, 2023„Ich hätte sterben können“: Bungee-Seil eines Touristen reißt in der Luft in Thailand
Mar 10, 2023Unverzichtbares Fahrradzubehör mit Ian
Mar 12, 2023Ich habe eine intelligente AR-Laufsonnenbrille ausprobiert, die mir einen Kopf zeigt
Mar 14, 2023Messung der Genauigkeit von Fußballspielen mit maschinellem Lernen
![Dec 16, 2023](/themes/hestia/images/news-details-icon1.webp)
Kommerzielle und daher teure Sport-Tracking-Lösungen basieren normalerweise auf Computer Vision, um zu messen, wo sich ein Ball im Verhältnis zu einem Tor befindet, beispielsweise beim Fußball, Golf oder Fußball. Sie sind zwar recht nützlich, aber auch ziemlich empfindlich und anfällig für Störungen durch schlechtes Wetter, schwaches Umgebungslicht und Objekte, die einfach die Sicht der Kameras blockieren. Austin Allen wollte etwas Robusteres schaffen, das nicht auf ein teures Sichtsystem angewiesen ist, und entwickelte daher einen Rebounder-Prototyp, der stattdessen mehrere Beschleunigungsmesser enthält, um zu bestimmen, wohin Fußbälle geschossen werden.
Ein Rebounder kann man sich als ein federndes Netz vorstellen, das für den Ball wie ein Trampolin wirkt. Baseball- und Fußballspieler nutzen sie, um ihre Genauigkeit zu üben, und ihre eigenständige Art machte sie zu einem großartigen Kandidaten. Allens Plan bestand darin, vier Beschleunigungsmesser anzubringen – einen an jeder Ecke – und anhand der Beschleunigungsunterschiede zu berechnen, wo der Ball gelandet ist, und das alles ohne die Notwendigkeit einer ständig laufenden Kamera.
Der Metallrahmen des Rebounders wurde aufgrund seines geringen Gewichts und der ausreichenden Festigkeit aus gebogenen Abschnitten elektrischer Leitungen hergestellt. Nachdem die verschiedenen Teile mit Stellschraubenkupplungen zusammengefügt wurden, wurde in der Mitte ein zentrales Rohr hinzugefügt, das Teil der Rückenstrebe bildet und als Halterung für die Elektronik dient. Abschließend wurde an jeder der vier Seiten ein Netz mit einem elastischen Bungee-Seil befestigt, um die richtige Rückfederung zu gewährleisten.
Obwohl der MPU-6050 heutzutage ein älterer Sensor ist, der von moderneren Designs überholt wurde, war er aufgrund seiner Zuverlässigkeit und Kostengünstigkeit dennoch eine gute Wahl für den Einsatz in dem Projekt. Allen begann mit dem 3D-Druck einer individuellen Halterung für jedes Modul und befestigte dann die IMUs per Reißverschluss an den vier Ecken, bevor er die Strombus- und I2C-Busleitungen bis zum Elektronikgehäuse verlegte. Nachdem die Basisschaltung mit einem ESP32-Entwicklungsboard und einem I2C-Multiplexer-Breakout TCA9548 verifiziert worden war, entwarf er eine benutzerdefinierte Leiterplatte mit Anschlüssen für die vier MPU-6050, einer Anzeige-LED und den zuvor erwähnten ESP32 und TCA9548.
Bevor irgendwelche Informationen von den Beschleunigungsmessern abgelesen werden konnten, mussten diese zunächst so konfiguriert werden, dass sie die volle +/- 16g-Skala und die schnellste Abfragerate nutzen, um so schnell wie möglich neue Werte zu erhalten. Das Erfassen der Daten von jedem MPU-6050 wurde dadurch erreicht, dass dem I2C-Multiplexer zunächst mitgeteilt wurde, welche I2C-Leitung aktiv sein sollte. Als nächstes fordert der ESP32 die Werte von den X-, Y- und Z-Registern über I2C an und speichert sie, wobei der letzte Schritt eine Konvertierung vom rohen ADC-Wert in verständliche Beschleunigungseinheiten beinhaltet. Abschließend wird das Ergebnis über Serial ausgegeben, damit es von einem Host-Skript gespeichert und später verarbeitet werden kann.
Der Prozess des Trainierens eines Modells zur genauen Bestimmung der Position eines Balls im Netz begann mit der Erfassung der rohen Trainings- und Testdatensätze. Eine unter dem Netz angebrachte Webcam zeichnet auf, wo der Ball gelandet ist, während die Beschleunigungsmesser ständig abgefragt werden. Sobald ein Abprall erkannt wird, werden die MPU-6050-Daten mit der von der Webcam ermittelten Position des Balls gekennzeichnet und alles wird zum Training an ein rekurrentes neuronales Netzwerk in TensorFlow weitergeleitet.
Insgesamt war das Modell allein mit den Beschleunigungsmessern in der Lage, die Position des Balls auf durchschnittlich 0,2 Zoll genau zu erraten, und es könnte durch das Sammeln von mehr Daten, eine schnellere Abfragerate und eine Erhöhung der Auflösung/Bildrate der Kamera weiter verbessert werden. Dieser Machbarkeitsnachweis ist in der Welt des Sporttrainings vielversprechend und weitere Informationen dazu finden Sie hier in Allens Artikel.