In einer kürzlich durchgeführten Studie von Forschern der University of New Hampshire wurde untersucht, wie die Integration von Maschinen- und Deep -Lern -Techniken ein standardisiertes System zur Bewertung von Kletterrouten schaffen kann, um eine Schwierigkeitsstufe zu bieten, die Inklusivität, Genauigkeit und Zugänglichkeit für alle Erfahrungsstufen fördert. Die im Journal veröffentlichte Studie Grenzen im Sport und aktives Lebenfanden heraus, dass der erfolgreichste Ansatz zur Bestimmung der Schwierigkeit eines Stock-Climbing-Weges verwendete Routen-zentrierte Verarbeitungsmethoden für natürliche Sprache verwendete.
Da der Kletternsport weiterhin Popularität und internationale Anerkennung senkt, seit er bei den Olympischen Spielen 2020 in Tokio in den Olympischen Spielen von 2020 eine konsequente Methode zur Bestimmung der Routenschwierigkeiten geworden ist, ist es immer wichtiger geworden, da es keinen offiziellen Standard gibt. Während kommerzielle Kletter -Fitnessstudios Objektivität erfordert, um Routen zu schaffen, die für Kletterer aller Ebenen erreichbar sind, stützen sich Schwierigkeitsgrad häufig auf persönliches Urteilsvermögen und bleiben ein subjektiver Prozess, was zu Inkonsistenzen und Vorurteilen führt.
„Die Popularität von Rock Climbing als Freizeitsport wächst dramatisch“, sagt Blaise O’Mara, Doktorandin bei UNH und führender Autorin der Studie. „In der Klettergemeinschaft ist es entscheidend, die objektive Klasse einer Kletterroute zu melden, aber die Herausforderung bestand darin, eine einheitliche Note festzulegen, die für alle Fähigkeiten gilt.“
Die Schwierigkeit der Route beruht auf mehreren Faktoren wie der Kletterumgebung, den Felsentypen und den Bewegungen des Kletterers. Die Forscher untersuchten, wie diese Faktoren eine Rolle bei der Bestimmung der Streckenschwierigkeiten spielen. Die Umfrage, die durch UNH-kategorisierte Techniken für maschinelles Lernen in Routen-, Kletter- und Pfadfindungsansätze durchgeführt wurde, und die potenzielle Verwendung der Verarbeitung natürlicher Sprache hervorgehoben, um eine objektivere Methode für die Bewertung der Routenschwierigkeiten anzubieten.
„Durch unsere Forschung versuchen wir, uns zu befassen, wie das Beigungs -Fitnessstudios Maschinen- und Deep -Lern -Systeme integrieren kann, um die Strecke zu rationalisieren und die Streckenschwierigkeitsschwierigkeiten zu beseitigen“, sagte MD Shaad Mahmud, stellvertretender Professor für Elektro- und Computertechnik bei UNH. „Während unserer Studie konzentrierte sich der Routenansatz auf die Analyse von Routenmerkmalen wie Haltetypen, Bewegungen zwischen Holds und Sequenzen, während der kletterzentrierte Ansatz die Verwendung tragbarer Sensoren zur Verfolgung von Metriken wie Elektromyographie und Beschleunigung umfasste und sich mit früheren Klettern in den vergangenen Klettern befasste. Der Pfadfindungsansatz kombinierte Qualitäten aus den anderen Ansätzen.
Die Umfrage ergab, dass Genauigkeit und Granularität die wichtigsten Ausgaben sind, die zu optimieren sind, und die Route-zentrierte Methode konnte die größte Granularitätsgenauigkeit von 84,7%erzielen. Nach Angaben der UNH-Forscher wird der zukünftige Erfolg bei der Bestimmung der Schwierigkeiten der Klettern in chaotischen Umgebungen wahrscheinlich auf streckenzentrierten Daten beruhen, die mit Computer Vision extrahiert und dann durch einen Algorithmus für natürliche Sprache gefüttert werden. Darüber hinaus erwarten sie, dass sich Methoden für maschinelles Lernen und Deep -Lern -Methoden weiterentwickeln, um Routenprobleme wie Kletterer zu lösen. Mit weiterer Entwicklung können diese Methoden das Problem der durchdringenden Bewertungsverzerrung bei der Bestimmung der Schwierigkeit des Kletternroutens lösen.
Diese Arbeit wurde von der NH Agricultural Experiment Station Create Grant (11HN37) unterstützt.
