簡介：?過去一年，阿里體育技術團隊在端智能方面不斷探索，特別在運動健康場景下實現了實踐落地和業務賦能，這就是AI運動項目。AI運動項目踐行運動數字化的理念，為運動人口的上翻提供了重要支撐，邁出了阿里體育端智能運動領域的第一步，為用戶帶來了更加有趣的新穎玩法。上線以來，項目受到了廣泛關注。

作者 | 其聲
來源 | 阿里技術公眾號

一 背景

過去一年，阿里體育技術團隊在端智能方面不斷探索，特別地，在運動健康場景下實現了實踐落地和業務賦能，這就是AI運動項目。AI運動項目踐行運動數字化的理念，為運動人口的上翻提供了重要支撐，邁出了阿里體育端智能運動領域的第一步，為用戶帶來了更加有趣的新穎玩法。上線以來，項目受到了廣泛關注。

2020年因新冠疫情，傳統的線下運動受到限制，居家運動逐漸成為新趨勢。基于阿里巴巴強大的技術沉淀，阿里體育團隊順應線上運動的迫切需要，開發出基于AI識別的智能運動，為用戶提供了簡便、好玩的新型居家運動方式。只需一部手機和3-4平米的場地，就可以開展AI運動。運動時，用戶打開樂動力APP，將手機固定在場地一側，適當設置手機角度，根據應用的自動語音提示調整身體與手機距離，直到人體完全位于識別框內，即可開始運動。

二 端智能實踐

經過?年的探索和完善，從驗證DEMO到囊括多種動作、支持能力遷移的AI運動智能平臺，阿?體育建立了系統化的客戶端運動智能體系。端智能運動體系基于阿里深度推理引擎在手機端進行推理，識別?體姿態和動作，分析人體姿態、運動軌跡、動作角度等，給出實時反饋并進行動作糾正，通過能力的模塊化組合，現已支持十多種運動動作和數十種玩法，實現了運動與AI的有機整合，讓用戶的線上運動變得上手簡單而又充滿趣味。

三 技術支持

端智能運動的基本技術思路是運用MNN推理引擎進行推理和姿態識別。即

• 實時檢測圖像及視頻中的人體輪廓，定位人體14個關鍵骨骼點，包括頭、肩、腳等重點關節部位。
• 基于這些關鍵點信息，連點成線、連線形成動作，可以分析人體姿態、動作角度和運動軌跡。
• 通過動作姿態匹配，檢測用戶運動動作，實現動作的計時與計數。同時，實時檢測分析動作標準化程度，給出狀態反饋，糾正用戶動作，實現互動，提高交互體驗。

傳統運動方式下，用戶在運動時可以及時得到現場輔助人員（教練員、考官或親友）的實時提醒和幫助。端智能運動方式下，用戶在做動作時只能與手機應用進行交互。交互的能力和識別水平會受到推理模型能力、運動場景復雜度、運動匹配識別算法等一系列因素的影響。在端智能運動能力的探索和落地過程中，會遇到一些新的問題或者難題，如人機方位匹配、骨骼點識別丟點、點誤識別、二維失真、用戶移動、手機晃動、場景噪聲等。這些問題不一一贅述，僅選取幾個有代表性的問題進行分享：

• 動作的有效性判斷及關鍵算法設計，以提高動作匹配精度，這是智能運動能力的基礎。
• 在保證識別效果的前提下，采取有效措施，降低移動終端的資源消耗，以提升用戶體驗，主要表現是費電和發熱。
• 采取更加靈活的方式，減輕移動端測試的人力和時間消耗，提高開發和測試效率，為團隊的交付保障提供有力支撐。

提升識別精度

智能運動帶給用戶的最直觀、最基礎的感受就是動作計數準確性。如果動作識別計數不準，用戶使用APP的積極性就會打消，參與性就不高。為此，我們要首先解決計數準不準的問題。

智能運動計數的基本原理是，把一個完整動作分解成若干個小步驟，然后對每個步驟觸發識別和判斷，全部步驟遍歷后，對整個動作進行有效性確認。如果有效，計數加1；反之就重復上述過程。簡言之，智能運動識別與計數是一個狀態機。將一個運動動作離散化，抽象成N個狀態機，{s(0),s(1),s(2),...,s(n-1)}，狀態機按照一定的順序依次進行檢測，全部檢測到意味用戶完成了該動作，對計數加1；若某個狀態未被檢測到，觸發對應反饋信息，重置狀態機進入新的循環。每一個狀態機對應著一定的觸發條件，通過實時骨骼點坐標與狀態的循環匹配性檢測，獲取一個動作匹配結果。

不難看出，動作識別精度與動作匹配算法緊密相關，算法匹配效果好，識別精度就越高。為提高動作識別精度，可以選取影響匹配算法的因素作為切入點和突破口，骨骼點、狀態機、匹配等。相應的解決辦法為：

• 提高骨骼點穩定性，確保狀態匹配結果精度。
• 選擇骨骼點穩定、易識別、具有代表性的動作作為狀態機。
• 幀率要能夠覆蓋一個動作的所有狀態機。

下面將舉例進行說明。

骨骼點識別準確度對動作匹配有著重要影響。如下圖所示：測試對象左手臂骨骼點識別出現錯誤。如果徑直進行匹配，顯然會得到錯誤的結果。針對這種情況，應當利用好用戶的歷史動作信息，在動作匹配算法上對動作匹配進行糾正。

還有一種情況，用戶已經完成某種動作的全部動作，如下圖中的開合跳，由于采樣幀率低，無法捕獲和識別全部開合跳運動過程中的全部姿態，造成某個狀態匹配不成功，最終導致開合跳動作匹配錯誤。對于低幀率問題，可從模型和輸入源兩個方面著手。對于模型來說，在不影響動作識別精度情況下，采用精簡模型，減少推理耗時。對不同的終端設備，采用不同分辨率的輸入源，降低原始數據處理操作耗時。

降低性能消耗

受物理條件影響，手機端算力和存儲空間有限。此外，深度學習推理本身包含大量的運算，資源消耗大。如果直接在端上進行深度學習推理，再考慮上手機端自身業務（如攝像頭、錄制視頻、動畫效果）的資源消耗，CPU和內存開銷就顯著增長，直觀表現是手機發熱明顯，電量消耗很快。智能運動在端智能上落地時，要特別考慮降低性能消耗，這對于提升用戶體驗來說至關重要。

降低整體性能消耗，要追根溯源，從降低單幀消耗處著手。單幀處理可以劃分為三個階段：分別是推理前、推理和推理后。

這三個階段分別起著不同的作用。推理前階段主要完成格式轉換，將攝像頭獲取的流數據轉換為推理需要的數據格式，如YUV格式、RGBA格式。推理階段主要完成計算輸出骨骼點坐標。對輸入的幀數據，經過推理引擎，執行一系列算法，輸出推理結果，如姿態識別是將輸入圖片的RGBA數據轉換成骨骼點坐標數據。推理后階段主要完成展示，進行渲染操作和業務相關操作，如UI展示、動畫效果展示。

相應地，可對上述三個階段分別進行優化。其中，推理過程中的優化由阿里深度推理引擎MNN負責，這里不作討論。對于推理前階段的數據轉換，應減少不必要的中間轉換環節，直接將攝像頭流數據轉換成為需要的格式。如推理使用RGBA裸數據，就直接將攝像頭流數據轉換為RGBA格式。對于推理后階段，應根據承載的平臺選擇合適的渲染方案，降低渲染消耗。對于iOS平臺，可直接采用Metal進行渲染提效。

提高測試效率

AI智能運動是阿里體育團隊在體育數字化上的一次大膽嘗試。在應用開發特別是測試環節中，投入相當的人力、設備及時間，不斷完善應用功能、優化應用性能、提升用戶體驗。此外，AI運動識別的效果測試受環境因素的影響較大，如光線、背景、距離、人物在攝像頭中的成像大小等。這就對測試方式提出了考驗。

以傳統測試方案為例：一般是真人、實地、實時動作，測試人員手動記錄結果再事后分析，如下圖所示。

不難想象，AI智能運動所運行的手機有著不同的品牌、型號、系統版本和性能參數，AI智能運動的用戶可能處于不同的使用環境，若采用傳統的測試方式，對不同因素進行測試覆蓋，對測試人員、測試時間提出了很大的挑戰，測試的一致性與精度也難以保證。具體原因如下：

• 人工成本較高：一次測試需多名同學配合，耗時耗力。
• 測試環境較單一：無法應對線上復雜多樣的環境。
• 測試結果量化難。無法對模型的精度、算法的效率、動動匹配準確度、精度提升度、性能消耗等量化評估。
• 問題定位難。事后分析排查，無法復現定位線上客訴問題。

傳統的測試方法難以為繼，為克服上述困難，阿里體育技術團隊開發了一套AI運動自動測試工具，專門用于解決AI智能項目測試難題，實現了線上問題的快捷定位與回歸，并對模型算法精度實現量化評估。

自動測試工具的解決思路是：批量解析視頻集，模擬真實場景，獲取骨骼點數據，進行業務結果測試，自動生成測試報告。具體技術方案如下圖所示：

采用新的測試工具后，顯著地降低了人工成本、提高了測試效率。具體測試效果如下：

需要注意的是，測試工具的效果與測試樣本的數量相關，樣本越豐富，測試精度越好。

四 業務結果

阿里體育智能運動現已支持數十種運動動作，開發出豐富的AI訓練課程，同時通過運動能力的模塊化組合，支持未來不斷拓展新的動作。

自AI智能運動誕生以來，樂動力APP陸續上線了直臂開合跳、俯臥撐等上肢動作，臀橋、深蹲等下肢動作以及跳繩、開合跳等全身動作等多種運動形式，使得用戶可以不受時間和場地限制，隨時隨地和朋友一起參與到AI運動，提升了APP的用戶吸引力和趣味性。此外，AI訓練課程創新引進明星資源，推進全年52周每周7天不間斷的“明星陪練”課，以明星帶動用戶養成運動習慣、快樂運動、愛上運動。阿里體育團隊也將不斷地根據用戶需要打造更多的運動玩法，豐富產品功能，形成阿里體育端智能的獨特業務品牌和創新產品特色。

原文鏈接
本文為阿里云原創內容，未經允許不得轉載。

總結

以上是生活随笔為你收集整理的AI运动：阿里体育端智能最佳实践的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。