Making decisions before ...

22.01.26

Form of award

Обсуждается индивидуально

Product status

MVP

Task type

Задачи ИКТ

Сфера применения

Media sphere

Область задачи

Technologies in transport and logistics

Type of product

Mobile app

Problem description

Пользователи массово выполняют базовые упражнения с нарушением техники, что: • снижает тренировочный эффект; • повышает риск перегрузок и травм; • демотивирует (замедленный прогресс, боли, отсутствие роста результатов). Текущая ситуация в приложении: • есть трекинг активности (счётчик подходов/повторений, мануальный ввод); • отсутствует качественный анализ техники по видео; • пользователь не получает объективной обратной связи о качестве каждого повторения. Технические ограничения и вызовы: 1. Качество видео и условия съёмки o различные углы съёмки (¾, сбоку, фронтально); o разные условия освещения; o фон и шум (другие люди, предметы). 2. Ограниченные вычислительные ресурсы на устройстве o не все устройства тянут тяжёлые модели в real-time; o необходимо обеспечить возможность выполнения как на клиенте (онлайн-анализ), так и на сервере (batch-анализ по загруженному видео). 3. Ограничение по использованию только бесплатных моделей/библиотек o нельзя использовать платные API (например, коммерческие SDK для motion capture); o нужно опираться на опенсорс/бесплатные решения: MediaPipe, OpenCV, PyTorch/TF, ONNX. 4. Формализация техники в числовые правила o необходимо формализовать «правильность» подтягиваний и отжиманий в набор метрик: углы, амплитуда, синхронность; o определить пороги отклонений, при которых система должна считать повторение «некачественным» или «частично засчитанным».

Expected effect

Ожидаемые пользовательские эффекты: • Увеличение вовлечённости за счёт: o геймификации (оценка качества каждого подхода, прогресс по технике); o ощущения «личного тренера» в приложении. • Снижение количества ошибок в технике и жалоб на дискомфорт/боль. • Улучшение субъективной удовлетворённости тренировочным процессом. Ожидаемые продуктово бизнесовые эффекты: • Рост retention (D7, D30) за счёт полезной функции анализа техники. • Увеличение времени в приложении и частоты возврата пользователей. • Возможность монетизации: o расширенные отчёты по технике в платной подписке; o персонализированные планы тренировок на основе качества выполнения. Ожидаемые технологические эффекты: • Накопление датасета реальных пользовательских движений для последующей дообучаемой модели. • Внутренняя платформа анализа позы, которую можно масштабировать на другие упражнения (приседания, планка, жим лёжа и т.д.).

Full name of responsible person

Искендеров Ербол

Purpose and description of task (project)

Цель проекта – реализовать в мобильном спортивном приложении функцию автоматического анализа техники выполнения упражнений по загруженному пользователем видео на основе бесплатных моделей компьютерного зрения (pose estimation). На первом этапе рассматриваются два базовых упражнения: • подтягивания на турнике; • отжимания от пола. Система должна: • принимать видео от пользователя (портретная/альбомная ориентация, съёмка со стороны); • автоматически находить на видео человека и его опорный снаряд (турник, пол); • извлекать скелетную модель (координаты суставов по кадрам); • рассчитывать ключевые биомеханические показатели техники; • определять типичные ошибки и уровень качества выполнения; • выдавать пользователю краткую оценку (скор/оценка) и 2–4 персонализированные рекомендации. Для реализации используются доступные бесплатные решения для оценки позы: • MediaPipe Pose / BlazePose (Google, бесплатная модель для 33 ключевых точек скелета); • OpenCV для работы с видео и базовой предобработки; • Python/Node.js для бэкенд обработки; • при необходимости – ONNX Runtime / TensorFlow Lite для оптимизации.

Note