5

Internet nhận thức là về việc cho phép các công nghệ IoT hiện tại có trí thông minh giống con người. Mục tiêu cuối cùng là cung cấp lời khuyên chuyên gia dựa trên các lĩnh vực được nhắm mục tiêu. IoT nhận thức có thể được áp dụng trên cổng cạnh hoặc trong đám mây như một phần của giải pháp.

Hãy xem cách chúng tôi có thể áp dụng các công nghệ IoT nhận thức cho miền Thể thao. Thực tế có ba trường hợp sử dụng chủ yếu:

  • Học hỏi từ một chuyên gia / huấn luyện viên (hoặc trực quan) và cải thiện trò chơi của một người.
  • Cá nhân hóa: nơi tất cả thông tin được cá nhân hóa để cải thiện trò chơi của một người.
  • Học hỏi không ngừng để giúp người chơi cải thiện trò chơi của mình dựa trên cách anh ta đang chơi từ các hồ sơ hiện tại và quá khứ.

Tôi sẽ nói về một ví dụ sử dụng dế. Giá trị thực sự mà chúng tôi muốn rút ra là cho phép một người chơi batsman hiểu rõ hơn về trò chơi của anh ta, giúp họ thành thạo các cú đánh khác nhau - như lái xe bìa, kéo bắn, v.v. và phân tích hiệu suất của họ liên tục để trở thành một chuyên gia batsman.

Đối với một người chơi bóng, người đánh bóng muốn hiểu anh ấy chơi bowling tốt như thế nào, tốc độ, cách chạy của anh ấy, cách anh ấy đưa bóng và xoay tròn các biến thể - tất cả những hiểu biết này có thể cải thiện trò chơi của anh ấy liên tục (vì vậy có một vòng phản hồi) và cách anh ấy giống với bowling như một chuyên gia baller.

Vì vậy, hãy nói về cách bạn thực hiện kế hoạch.

  1. Thiết bị nhúng trên bóng cricket (không tăng yếu tố hình thức).
  2. Thiết bị nhúng trên dế, dơi, găng tay.
  3. Một sân vận động kết nối.

Đối với phối cảnh ngăn xếp kiến ​​trúc, bạn có thiết bị nhúng công suất thấp được cài đặt bên trong quả bóng hoặc được nhúng như một phần của quy trình thiết kế và sản xuất. Nó cung cấp ít nhất một cảm biến kết hợp sáu trục để đọc gia tốc kế và con quay hồi chuyển để xác định bất kỳ chuyển động nào trong không gian 3d. Một SDK chuyển động được cài đặt trên đỉnh thiết bị để xác định mọi chuyển động nói chung và truyền đạt việc đọc lên đám mây.

Trong đám mây, chúng ta có mô hình học tập hoặc dữ liệu đào tạo. Về cơ bản, chúng tôi sẽ yêu cầu một chuyên gia batsman dơi và chơi nhiều nét chuyên gia khác nhau, như lái xe bìa và ghi lại chuyển động của họ từ các cảm biến (dơi / miếng, v.v.) cũng như hình ảnh (tư thế, v.v.), điều này sẽ được sử dụng làm bài tập / kiểm tra dữ liệu và so sánh sẽ được thực hiện đối với nó. Khi chúng ta so sánh các mô hình 3D, các phương pháp học máy như giảm kích thước có thể được sử dụng (và nhiều cách tiếp cận mới, sáng tạo) để so sánh hai chuyển động và dự đoán sự tương đồng. Dữ liệu đào tạo tương tự được thu thập từ một chuyên gia baller, cùng với các thông tin khái niệm khác như chuyển động tay, góc nghiêng, v.v.

Phản hồi liên tục được ghi lại và hệ thống cung cấp hướng dẫn để cải thiện trò chơi của người chơi. Người chơi theo dõi tất cả thông tin này trên thiết bị di động và bây giờ có thể xem những hiểu biết và đề xuất này về cách anh ta có thể trở thành một chuyên gia. Chẳng hạn, người chơi có thể hỏi một hệ thống, Cần gì để làm chủ một ổ đĩa như Sachin? Hay và hệ thống phân tích thông tin chuyển động từ các cú đánh (cảm biến trên gậy, miếng đệm, v.v.), thông tin hình ảnh (tư thế, v.v.), sau đó so sánh nó với một mô hình chuyên gia và cung cấp một số điểm chính xác và các đề xuất để cải thiện trò chơi của người chơi. Chìa khóa ở đây là hệ thống nhận thức hiểu được tên miền và được đào tạo về tên miền để cung cấp lời khuyên hoặc đề xuất của chuyên gia.

Kỹ thuật và khái niệm tương tự có thể được áp dụng trong bất kỳ trò chơi nào để có được những hiểu biết về nhận thức.

|