Deep Learning
Bewegungs-Signaturen
Kompakte Bewegungs-Signaturen für das Spiel ohne Ball – entworfen, um Rollen, Stile und Tendenzen über Ligen und Saisons hinweg zu vergleichen.
Wo das zum Einsatz kommtPersönliche LeistungTeam-Intelligenz
Was es ist
Eine Bewegungs-Signatur ist eine kompakte numerische Beschreibung dessen, wie sich ein Körper bewegt – nicht wohin er ging, sondern wie er dorthin kam. Das Foundation Model komprimiert jeweils vier Sekunden Skelettbewegung in ein 384-dimensionales Embedding, das das Wesentliche bewahrt: Aktionstyp, Tempo, Koordination, Asymmetrie, Bewegungsqualität.
Zwei Fenster liegen in diesem Raum nahe beieinander, wenn die Bewegung ähnlich ist – unabhängig von Kamerawinkel, Position auf dem Platz, Körpergröße oder dem Tracking-System, das die Daten erzeugt hat. Diese Invarianz macht Signaturen über Spieler, Trainingseinheiten und Datenquellen hinweg vergleichbar.
Wie es funktioniert
Signaturen werden selbstüberwacht gelernt: Das Modell lernt über Millionen von Frames direkt aus roher Skelettbewegung – es sieht kein einziges von Hand gelabeltes Event. Anatomische Nebenbedingungen halten den Raum ehrlich: Knochenlängen bleiben konsistent, Geschwindigkeiten glatt. Wie das Modell trainiert und wie das Korpus wächst, ist dokumentiert.
Was Sie erhalten
Unabhängige Prüfungen – Konzept-Proben – bestätigen, dass der Raum lesbar ist: Tempo, Oberkörperneigung und Knie-Asymmetrie lassen sich einzeln allein aus der Signatur ablesen. Ergebnisse, Protokolle und Einschränkungen stehen in der Evaluations-Dokumentation. Im Produkt sind Signaturen die Vergleichseinheit, auf der alles Weitere aufbaut.
| Parameter | Wert | Hinweise |
|---|---|---|
| Invariant gegenüber | Kamera, Spiegelung, Körpergröße | Durch das Trainingsdesign – mit Invarianz-Proben überprüft. |
| Sensitiv für | Aktion, Tempo, Asymmetrie, Qualität | Das Signal, das Signaturen tragen sollen. |
Status & Roadmap
Prototyp. Signaturen werden im Proof-of-Concept-Maßstab trainiert und geprüft – auf einem bewusst kleinen Korpus realer Bewegung. Rollen und Stile über Ligen und Saisons hinweg zu vergleichen ist das Designziel, auf das die Daten-Roadmap hinarbeitet – keine Aussage über den heutigen Stand.