Deep Learning
Bewegungs-Signaturen
Kompakte Bewegungs-Einbettungen für Ohne‑Ball‑Verhalten — Rollen, Stile und Tendenzen über Ligen und Saisons vergleichen.
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 jedes vier Sekunden lange Fenster von 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 Feld, 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 rekonstruiert über Millionen von Frames gezielt maskierte Bereiche des Skeletts und richtet augmentierte Ansichten derselben Bewegung aneinander aus — es braucht daher kein einziges von Hand gelabeltes Event. Physikbasierte Nebenbedingungen halten den Raum anatomisch ehrlich: Knochenlängen bleiben konsistent, Geschwindigkeiten glatt. Das vollständige Trainingsrezept, die Maskierungsstrategie und die Datenskalierung sind dokumentiert.
Was Sie erhalten
Konzept-Proben bestätigen, dass der Raum lesbar ist: Richtungen für Tempo, Oberkörperneigung und Knie-Asymmetrie lassen sich allein aus den Embeddings rekonstruieren — 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 auf professionellen Spieldaten im Proof-of-Concept-Maßstab trainiert und geprüft — ein bewusst kleines Korpus. Rollen und Stile über Ligen und Saisons zu vergleichen ist das Designziel der Daten-Roadmap, keine ausgelieferte Behauptung.