羽毛球挥拍动作纠正 demo 应如何定义

问题

当前 sports-AI roadmap 已经有羽毛球的球路 tracking、stroke-level dataset、skeleton action recognition 和 adaptive explanation 证据。这个问题页把下一步 demo 收束成一个可执行定义：系统应输入一段羽毛球挥拍片段，输出 stroke type、关键动作阶段、错误模式、置信度和一句教练式反馈。

Demo 最小范围

建议先做 单人挥拍 / 单打片段 / 3–5 类错误模式，把问题控制在可复现范围内：

3–5 个建议错误模式

第一版 demo 可以先定义这些错误模式，便于标注和反馈模板对齐：

1. 击球点过晚：击球帧相对身体重心和 shuttle trajectory 滞后，常导致被动回球。
2. 引拍不足：击球前肩肘腕链路幅度太小，动作阶段缺少明显 backswing。
3. 重心转移不足：髋 / 膝 / 脚步变化弱，击球主要依赖上肢。
4. 随挥提前中断：击球后 follow-through 轨迹短，可能影响力量和稳定性。
5. 步法到位滞后：击球前站位或启动不足，导致击球点和身体姿态都进入补偿状态。

这些标签不需要一开始就覆盖所有 badminton coaching 细节。第一版目标是验证“视频证据 → 结构化动作阶段 → 可读反馈”这条链路能否跑通。

标注协议 v0.1

第一版标注以 rally 片段中的一次击球 为基本样本。每条样本只标一个主 stroke、一个主错误模式和最多两个辅助错误模式，保证后续 baseline 容易评估。

样本切分

Stroke type 最小集合

第一版建议只保留这些类别：

• clear
• drop
• smash
• drive
• net_shot
• serve
• unknown_or_unclear

unknown_or_unclear 很重要：真实视频里球被遮挡、击球点模糊、姿态估计失败时，应允许标注员把样本放入复核池。

错误模式标签

标注置信度

每个错误模式都标 confidence：

• high：视频清楚、关键点稳定、错误证据集中在 hit 附近。
• medium：动作大体可见，但存在遮挡、角度或关键点抖动。
• low：只能作为候选样本，进入人工复核池。

质量控制

每 20 个样本抽 5 个做复核，优先检查 hit_frame、stroke_type 和主错误模式。若两个标注员对主错误模式分歧大，保留 needs_review: true，并把原因写进 review_note。

Baseline 规则 v0.1

第一版 baseline 先用规则系统验证任务形状，目标是形成可展示输出，而不是追求高分模型。

输入特征

inputs:
  video_clip: path/to/clip.mp4
  fps: 30
  hit_frame: 128
  shuttle_xy: [[frame, x, y, confidence], ...]
  keypoints_2d:
    format: coco17
    values: [[frame, joint, x, y, confidence], ...]
  court_region: optional

中间特征

features:
  wrist_speed_peak_frame: int
  elbow_angle_delta_pre_hit: float
  shoulder_rotation_delta_pre_hit: float
  hip_center_shift_pre_hit: float
  knee_bend_delta_pre_hit: float
  follow_through_length_post_hit: float
  foot_adjustment_frames_pre_hit: int
  shuttle_relative_position_at_hit: [dx, dy]

规则输出

rules:
  impact_timing_late:
    trigger: shuttle_relative_position_at_hit.dx < late_threshold and wrist_speed_peak_frame > hit_frame
  backswing_insufficient:
    trigger: shoulder_rotation_delta_pre_hit < shoulder_threshold and elbow_angle_delta_pre_hit < elbow_threshold
  weight_transfer_insufficient:
    trigger: hip_center_shift_pre_hit < hip_shift_threshold and knee_bend_delta_pre_hit < knee_threshold
  follow_through_cut_short:
    trigger: follow_through_length_post_hit < follow_through_threshold
  footwork_late:
    trigger: foot_adjustment_frames_pre_hit > footwork_threshold

这些阈值先通过 20–50 个人工样本粗调。后续若要训练模型，可把规则输出当作 weak labels 或 baseline 对照。

展示输出

clip_id: rally_003_player_near_hit_07
stroke_type: smash
stroke_confidence: 0.78
hit_frame: 128
primary_error:
  label: impact_timing_late
  confidence: medium
  evidence_window: [118, 138]
  key_evidence:
    - shuttle 已接近身体侧后方
    - wrist speed peak 晚于 hit_frame
    - torso forward shift 较弱
feedback_short: 击球点偏晚，下一拍提前完成引拍，把击球点放到身体前侧。
feedback_detail: 片段中手腕加速峰值晚于击球帧，身体重心前移不足；这会让击球更被动，力量更多来自手臂补偿。
needs_review: true
review_note: shuttle 在击球帧附近有轻微遮挡，建议人工复核 hit_frame。

可执行脚手架

当前已经把标注与 baseline 文件落到 docs/sports-ai/badminton-stroke-correction-demo/：

• README.md — demo 执行顺序。
• annotation-guideline-v0.1.md — 标注员可读说明。
• annotation-template.csv — 10 个击球样本的标注表模板。
• sample-manifest.yaml — 10 个样本的清单模板。
• baseline-output-schema.yaml — baseline 输出字段定义。
• baseline-rules-v0.1.py — 规则 baseline 脚本，读取 feature JSON 并输出 YAML 反馈。

最小验收标准

第一版 demo 可以用下面标准判定是否跑通：

• 能处理 10 个手工切好的击球片段。
• 每个片段都有 hit_frame、stroke_type、主错误模式和反馈文本。
• 至少 7 个片段的反馈被人工判断为“方向合理”。
• 每个低置信样本都进入 needs_review: true，并给出复核原因。
• 输出可以直接转成网页卡片或短报告。

输出格式建议

Demo 输出应尽量像教练反馈，而不是只给分类分数：

stroke_type: smash
confidence: 0.82
error_modes:
  - name: impact_timing_late
    confidence: 0.71
    evidence_window: frames 42-56
    key_body_parts: [right_wrist, right_elbow, torso]
feedback_short: 击球点略晚，下一次提前半拍完成引拍，让击球点更靠身体前侧。
feedback_explanation: 模型在击球前后窗口看到手腕和肘部加速滞后，同时重心没有充分前移；这会让击球更被动，力量主要来自手臂补偿。
needs_review: true

当前更倾向的技术路线

第一版优先走 模块化路线：TrackNetV3 / TrackNetV4 负责 shuttle cue，pose estimator 负责 skeleton，BST / TemPose / SAR baseline 负责 stroke semantics，VideoAuto-R1 式策略决定何时输出短反馈、何时展开解释。这样比端到端大模型更容易复现、诊断和人工复核。

topics/sports-ai-video-understanding 当前证据更支持“先把结构化中间层做稳，再谈教练式解释”。ShuttleSet 给数据结构，TemPose 给 skeleton + shuttle / court position attention 证据窗口，BST 给 hit-frame-centered clipping 与 stroke-type classification，BlockGCN / SkateFormer / ProtoGCN 给骨架动作方法线，TrackMAE / FineCausal / VideoAuto-R1 给动作纠正的解释接口。

深分析后的 demo 约束

本轮重读 ShuttleSet、TemPose 和 BST 后，demo v0.1 应固定三条约束：

1. 样本围绕 hit frame：ShuttleSet 和 BST 都把 hit frame 作为 stroke record / clip 的核心，标注窗口默认 hit_frame ± 30，低清晰度片段可缩到 ±20。
2. shuttle trajectory 是主证据：BST 的结果显示 ball information 对 stroke classification 很关键，输出里应保留 shuttle-relative-position、速度变化和轨迹置信度。
3. 2D pose 先行：BST supplement 中 3D pose 估计出现朝向误差；第一版 demo 用稳定 2D keypoints、joint / bone 变化和球路证据，更适合转播或手机视频。

为什么还没有解决

• 公开数据多支持 stroke classification 或 tactical analysis，错误动作标签和教练反馈标签较少。
• 球路、姿态、场地位置、击球时刻之间需要时间同步；任一上游模块不稳都会影响解释。
• SAR 方法通常输出类别，demo 需要把类别、关键帧和局部身体部位转成可读反馈。
• 真实训练场视频和职业转播视频差异大，泛化协议需要单独设计。

下一步最有价值的证据

• 找到公开羽毛球挥拍 / stroke correction / coaching feedback 数据或视频样例。
• 用 TrackNetV3 真实 test split 跑出 shuttle trajectory，再选 5–10 个 rally 做人工片段标注。
• 为上述 5 个错误模式写最小 annotation guideline。
• 做一个不训练模型的 baseline：pose + trajectory + hand-crafted temporal rules，先验证反馈格式是否有用。

相关页面

• topics/sports-ai-video-understanding
• topics/sports-ai-roadmap
• topics/video-understanding
• sources/2026-05-16-bst-badminton-stroke-type-transformer
• sources/2026-05-16-shuttleset-stroke-level-badminton-dataset
• sources/2026-05-16-tempose-badminton-fine-grained-motion
• sources/2026-05-16-blockgcn-topology-aware-skeleton-action-recognition
• sources/2026-05-16-skateformer-skeletal-temporal-transformer
• sources/2026-05-16-protogcn-skeleton-action-recognition

2026-05-17 证据补强：系统边界、球员级数据与多传感器上界

本轮新增三条证据后，demo 的分层更清楚：sources/2026-05-17-structured-analysis-broadcast-badminton-videos 给出公开视频系统边界，先切 point / rally、定位球员、识别球员并标注 stroke；sources/2026-05-17-badmintondb-player-specific-match-analysis 提醒第一版之后要做 player-specific split 和跨球员泛化；sources/2026-05-17-multisensebadminton-biomechanical-dataset 则提供多传感器训练反馈上界，说明真正教练式反馈可以接入眼动、肌电、足压、落点和技能水平。

因此第一版执行策略保持轻量：公开视频 + 2D pose + shuttle trajectory + hit frame + 4–6 类 stroke type。第二阶段再把 BadmintonDB 式的 player-specific 评估和 MultiSenseBadminton 式的 biomechanical feedback 作为扩展目标。