花样滑冰 AI
概述
花样滑冰 AI（Figure Skating AI）是利用计算机视觉与机器学习技术，对花样滑冰动作进行定量测量与分析，并为评分和训练提供支持的技术领域。它以逐帧计算跳跃的周数、落冰角度、起跳高度、滞空时间等难以用肉眼分辨的要素为目标，以减少评分争议，并向运动员和教练提供客观反馈。进入2020年代，国际滑冰联盟（ISU）、各国滑冰协会以及体育科技企业相继试行或研究相关系统，使其成为体育工程的代表性应用案例。
主要内容
背景：评分可信度问题
花样滑冰采用由多名裁判对技术分（TES）与艺术分（PCS）进行加总的评分结构，其中跳跃周数不足（欠周，未达四分之一周）的判定一直是争议的焦点。周数不足四分之一周记为 q，不足二分之一周记为 <，不足一周以上记为 <<（降组），而这些区分可能因回放影像的角度和裁判的视角而有所不同。奥运会和世锦赛上反复出现的评分争议，推动了对超越超慢动作摄影机等硬件、实现自动分析软件的需求。
技术构成
典型系统由以下流程构成。
- 多相机标定与三维重建：将不同位置的相机影像进行配准，把运动员的关节坐标重建为三维。由此可以校正单一视角下被遮挡的旋转轴与落冰角度。
- 姿态估计与冰刀检测：利用 OpenPose、MediaPipe、HRNet 系列模型估计身体关节，并用单独的检测器找出冰刀（blade）的位置与方向，以判别与冰面接触的时刻。
- 事件分割：从连续影像中自动分割起跳—滞空—落冰区间，统计周数，并计算落冰时肩、骨盆与冰刀的相对角度。
- 分类与评估模型：以 CNN、图神经网络（GCN）、Transformer 等对骨架时序数据进行学习，从而分类跳跃种类（阿克塞尔跳、勾手跳、后内点冰跳、后内结环跳、后外点冰跳、后外结环跳）与失败类型。
- 报告看板：为便于教练和运动员使用，将每次跳跃的高度、旋转速度、起跳速度、落冰冲击量等可视化。
评分支持方式
ISU 自2019年起与技术服务伙伴共同运营裁判支持系统，并正在研究结合超慢动作回放与跳跃周数分析、以提高自动化水平的方案。不过，最终给分仍由人类裁判负责，即以坚持“人在回路（Human-in-the-loop）”结构为原则，AI 被界定为并非裁判的替代品，而是提供依据材料的辅助工具。在国际赛事中，目前优先采用的是自动标出裁判需确认的候选区间的方式。
训练与分析应用
比比赛评分普及更快的领域是训练现场。结合惯性测量单元（IMU）可穿戴设备、压力垫和多相机分析室，可对跳跃的滞空时间与旋转速度进行常态测量，并及早发现受伤风险较高的落冰姿态。在韩国，以大韩冰上竞技联盟、体育科学研究机构和大学研究室为中心，也在开展基于动作捕捉的分析支持；此外还出现了只需一部智能手机上传拍摄影像，即可获得周数与落冰角度反馈的低成本应用程序。
局限与课题
- 艺术性量化的困难：音乐诠释、表现力、节目编排等 PCS 领域难以数值化，许多意见认为不适合由 AI 评价。
- 数据偏差与泛化：在特定运动员、特定冰场训练出的模型，一旦照明、服装、相机角度改变，准确度就可能下降。
- 规则与责任归属：出现误判时责任由谁承担、评分数据的公开范围与个人信息保护，仍是尚未理清的争议点。
- 成本与标准化：由于缺乏国际规格的相机布置与数据格式标准，系统之间难以比较。
最新动向
2024—2025年，将跳跃周数自动判别的试行范围扩大至大奖赛系列赛和世锦赛等主要赛事的动向持续推进；将评分数据与转播图形联动、向观众实时显示周数与滞空时间的 AR 图文叠加案例也在增多。利用姿态基础模型和生成式 AI，以少量相机即可重建三维骨架的研究十分活跃；此外，还有尝试将运动员赛季累计数据以数字孪生方式管理，用于状态调整与伤病预防。值得关注的是，在2026年米兰-科尔蒂纳冬奥会来临之际，各国协会正在为分析基础设施建设编列预算。不过，对于将评分最终权限交给 AI 的问题，运动员与裁判双方都偏向谨慎，预计短期内仍将维持“评分辅助＋训练分析”的双重结构。
相关主题
- [[花样滑冰]]
- [[计算机视觉]]
- [[姿态估计]]
- [[体育科技]]
- [[国际滑冰联盟]]