世界

研究の目的は、機械学習技術を通じてロッククライミングルートの難易度を標準化することを目指しています

ニューハンプシャー大学の研究者が実施した最近の研究では、マシンと深い学習技術の統合がロッククライミングルートを評価するための標準化されたシステムを作成して、すべてのエクスペリエンスレベルの包括性、精度、アクセシビリティを促進する難易度のグレーディングスケールを提供する方法を調査しました。ジャーナルに掲載された研究 スポーツとアクティブな生活のフロンティア、ロッククライミングルートの難しさを決定するための最も成功したアプローチは、ルート中心の自然言語処理方法を使用したことを発見しました。 ロッククライミングのスポーツは、2020年の東京オリンピックでデビューして以来、人気と国際的な認識を獲得し続けているため、公式の基準がないため、ルートの難易度を決定する一貫した方法の需要がますます重要になっています。商業的なクライミングジムでは、あらゆるレベルの登山家が達成できるルートを作成する際の客観性を必要としますが、難易度スケールは個人の判断に依存し、主観的なプロセスのままであり、矛盾とバイアスにつながることがよくあります。 「レクリエーションスポーツとしてのロッククライミングの人気は劇的に成長しています」と、UNHの大学院生であり、この研究の主著者であるブレイズオマラは言います。 「クライミングルートの客観的なグレードを報告することは、クライミングコミュニティで重要ですが、課題はすべてのスキルレベルに適用される均一なグレードを設定する方法でした。」 ルートの難易度は、登山環境、ロックホールドの種類、登山家の動きなどの複数の要因に依存しています。研究者は、これらの要因がルートの難易度の決定にどのように役割を果たすかを調べました。 UNH分類された機械学習手法によって実施された調査は、ルート中心の登山者中心および経路探索アプローチに取り組み、自然言語処理の潜在的な使用を強調して、ルートの難易度を評価するためのより客観的な方法を提供しました。 「私たちの研究を通じて、登山ジムがマシンとディープラーニングシステムを統合してルート設定を合理化し、ルートの難易度のバイアスを排除する方法に取り組むよう努めています」 「私たちの研究中、ルート中心のアプローチは、ホールドタイプ、ホールドとシーケンスの間の動きなどのルート機能の分析に焦点を当てましたが、クライマー中心のアプローチはウェアラブルセンサーを使用して筋電図や加速などのメトリックを追跡し、過去のクライミングパフォーマンスを調べました。パス検索アプローチは、他のアプローチからの品質を組み合わせたものです。 調査では、精度と粒度が最適化する重要な出力であり、ルート中心の方法が84.7％の最大の粒度精度を達成することができたことがわかりました。 UNHの研究者によると、混oticとした環境でのロッククライミングの難易度を決定する将来の成功は、コンピュータービジョンで抽出されたルート中心のデータに依存し、自然言語処理アルゴリズムを介して供給される可能性があります。さらに、彼らは機械学習と深い学習方法が登山家のようなルートの問題を解決するために進化し続けることを期待しています。さらに進化することで、これらの方法は、ロッククライミングルートの難易度を決定する際に、浸透しているグレーディングバイアス問題を解決する可能性があります。 この作業は、NH Agricultural Experiment Station Create Grant（11HN37）によってサポートされていました。 #研究の目的は機械学習技術を通じてロッククライミングルートの難易度を標準化することを目指しています