フィギュアAI

コンピュータビジョンと機械学習でフィギュアスケートのジャンプ・動作を分析し、判定とトレーニングを支援するスポーツテック分野。

フィギュアAI

概要

フィギュアAI（Figure Skating AI）は、コンピュータビジョンと機械学習技術を活用してフィギュアスケートの動作を定量的に測定・分析し、判定とトレーニングを支援する技術分野である。ジャンプの回転数、着氷角度、踏切高、滞空時間のように肉眼では判別しにくい要素をフレーム単位で計算し、判定論争を減らすとともに、選手・コーチに客観的なフィードバックを提供することを目標とする。2020年代に入り、国際スケート連盟（ISU）や各国連盟、スポーツテック企業が関連システムを試験導入したり研究したりするようになり、スポーツ工学の代表的な応用例として位置づけられた。

主な内容

背景：判定の信頼性問題

フィギュアスケートは技術点（TES）と芸術点（PCS）を多数の審判が合算する構造で、とりわけジャンプの回転不足（アンダーローテーション、クォーター回転未達）の判定が論争の中心に立ってきた。回転数が4分の1回転未満の不足ならq、2分の1回転以上の不足なら<、1回転以上の不足なら<<（ダウングレード）が適用されるが、こうした区別はリプレイ映像の角度や審判の視点によって変わり得る。オリンピックや世界選手権で繰り返された判定論争は、スーパースローモーションカメラのようなハードウェアを超え、自動分析ソフトウェアへの需要を高めた。

技術構成

代表的なシステムは次のパイプラインで構成される。

マルチカメラキャリブレーションおよび3D再構成：異なる位置のカメラ映像を整合させ、選手の関節座標を3次元で復元する。単一視点では隠れてしまう回転軸や着氷角度を補正できる。
ポーズ推定とブレード検出：OpenPose、MediaPipe、HRNet系のモデルで身体の関節を推定し、別の検出器でスケート靴の刃（ブレード）の位置と方向を捉えて氷面への接触時点を判別する。
イベントセグメンテーション：連続映像から踏切–滞空–着氷の区間を自動で分割し、回転数をカウントしながら、着氷時の肩・骨盤・ブレードの相対角度を計算する。
分類・評価モデル：スケルトンの時系列データをCNN、グラフニューラルネットワーク（GCN）、トランスフォーマーなどで学習させ、ジャンプの種類（アクセル、ルッツ、フリップ、サルコウ、トウループ、ループ）と失敗類型を分類する。
リポーティングダッシュボード：コーチや選手が活用できるよう、ジャンプ別の高さ、回転速度、踏切速度、着氷衝撃量などを可視化する。

判定支援の方式

ISUは2019年から技術パートナーとともに審判支援システムを運用しており、スーパースローモーションリプレイとジャンプ回転分析を組み合わせた形で自動化の水準を高める方向を検討している。ただし、最終的な得点付与は依然として人間の審判が担う「ヒューマン・イン・ザ・ループ（Human-in-the-loop）」構造を維持することが原則であり、AIは判定の代替物ではなく、根拠資料を提供する補助ツールと位置づけられている。国際大会では、審判員が確認すべき候補区間を自動で表示する方式が優先的に適用されている。

トレーニング・分析での活用

競技判定よりも早く普及した領域はトレーニング現場である。慣性計測装置（IMU）ウェアラブルと圧力マット、マルチカメラ分析室を組み合わせ、ジャンプの滞空時間と回転速度を常時測定し、故障リスクの高い着氷姿勢を早期に検知する。韓国国内でも大韓スケート連盟や体育科学研究機関、大学研究室を中心にモーションキャプチャー基盤の分析支援が行われており、スマートフォン1台で撮影映像をアップロードし、回転数と着氷角度のフィードバックを受けられる低コストのアプリケーションも登場した。

限界と課題

芸術性の定量化の難しさ：音楽解釈、表現力、プログラム構成などPCSの領域は数値化が難しく、AI評価には不向きだという指摘が多い。
データの偏りと汎化：特定の選手・特定のリンクで学習されたモデルは、照明、衣装、カメラ角度が変わると精度が落ちる可能性がある。
規定と責任の所在：誤審が発生した際に誰に責任を負わせるのか、判定データの公開範囲と個人情報保護は依然として整理されていない争点である。
コストと標準化：国際規格のカメラ配置やデータフォーマットの標準がなく、システム間の比較が難しい。

フィギュアAI