![pageSearch](/themes/hestia/images/page-search.webp)
10 migliori spot per il bungee jumping negli Stati Uniti
Dec 01, 202310 thriller con incredibili scene di apertura
May 18, 202311 usi insoliti del cavo elastico
Mar 28, 2023Ragazza di 13 anni, attiva e sana, soffre di un raro ictus al midollo spinale e perde la sensibilità alle gambe
Nov 21, 202314 migliori tende da spiaggia e tettoie da spiaggia da acquistare
Sep 12, 2023Misurare la precisione del calcio del pallone con il machine learning
![Dec 16, 2023](/themes/hestia/images/news-details-icon1.webp)
Le soluzioni commerciali, e quindi costose, di monitoraggio sportivo normalmente si basano sulla visione artificiale per misurare dove si trova una palla rispetto a un obiettivo, come nel calcio, nel golf o nel calcio. Sebbene siano piuttosto utili, sono anche piuttosto schizzinosi e soggetti a interruzioni causate da condizioni meteorologiche avverse, bassi livelli di luce ambientale e oggetti che semplicemente bloccano la vista delle telecamere. Austin Allen voleva creare qualcosa di più robusto che non dovesse fare affidamento su un costoso sistema di visione, quindi ha ideato un prototipo di rimbalzo che contiene diversi accelerometri per determinare dove vengono calciati i palloni da calcio.
Un rimbalzista può essere pensato come una rete elastica che agisce come un trampolino per la palla. I giocatori di baseball e di calcio li usano per esercitare la loro precisione e la loro natura autonoma li rende un ottimo candidato. Il piano di Allen era quello di posizionare quattro accelerometri, uno ad ogni angolo, e utilizzare le differenze di accelerazione per calcolare dove finiva la palla, il tutto senza la necessità di una telecamera in continuo movimento.
Il telaio metallico del trampolino è stato costruito con sezioni piegate di condotto elettrico grazie alla sua leggerezza e alla sua adeguata resistenza. Dopo aver unito insieme i vari pezzi con giunti a vite, è stato aggiunto un tubo centrale al centro per formare parte del rinforzo posteriore e fungere da supporto per l'elettronica. Infine, su ciascuno dei quattro lati è stata fissata una rete con una corda elastica per consentire la corretta quantità di rimbalzo.
Anche se al giorno d'oggi l'MPU-6050 è un sensore più vecchio, surclassato da design più moderni, la sua affidabilità e la sua natura economica lo hanno comunque reso una buona scelta per l'uso nel progetto. Allen ha iniziato stampando in 3D un supporto personalizzato per ciascun modulo e poi ha legato con cerniera le IMU ai quattro angoli prima di far passare le linee del bus di alimentazione e del bus I2C fino all'involucro dell'elettronica. Una volta verificato il circuito di base con una scheda di sviluppo ESP32 e un breakout multiplexer I2C TCA9548, ha progettato un PCB personalizzato dotato di connettori per i quattro MPU-6050, un indicatore LED e i già citati ESP32 e TCA9548.
Prima che qualsiasi informazione potesse essere letta dagli accelerometri, questi dovevano essere configurati per utilizzare l'intera scala +/- 16g e la velocità di polling più veloce per ottenere nuovi valori il prima possibile. L'acquisizione dei dati da ciascun MPU-6050 è stata effettuata comunicando innanzitutto al multiplexer I2C quale linea I2C dovrebbe essere attiva. Successivamente, l'ESP32 richiede i valori dai registri X, Y e Z su I2C e li memorizza, con il passaggio finale che prevede una conversione dal valore ADC grezzo in unità comprensibili di accelerazione. Infine, il risultato viene stampato su Serial affinché uno script host possa archiviarlo ed elaborarlo successivamente.
Il processo di addestramento di un modello per determinare con precisione la posizione di una palla in rete è iniziato con la raccolta dei dati grezzi di addestramento e di test. Una webcam posizionata sotto la rete registra il punto in cui è caduta la palla mentre gli accelerometri vengono costantemente monitorati. Una volta rilevato un rimbalzo, i dati dell'MPU-6050 vengono etichettati con la posizione della palla determinata dalla webcam e il tutto viene trasmesso a una rete neurale ricorrente in TensorFlow per l'addestramento.
Nel complesso, il modello è stato in grado di indovinare la posizione della palla entro 0,2 pollici in media utilizzando solo gli accelerometri e potrebbe essere ulteriormente migliorato raccogliendo più dati, avendo una velocità di polling più rapida e aumentando la risoluzione/frequenza fotogrammi della fotocamera. Questa prova di concetto è molto promettente nel mondo dell'allenamento sportivo e maggiori informazioni a riguardo possono essere trovate qui nell'articolo di Allen.