AI真能看懂身体动作吗?能分清左右手、数对动作次数吗?从动捕到体育大模型|体育周报

能分清左右手、数对次数，才算看懂动作吗？arXiv预印本 · 2026-10-26

SOMA把摄像机佩戴者的第一人称视频交给多模态大模型，询问用了哪只手、双手怎样配合、动作重复几次，以及事情发生的先后。完整身体常常不在镜头里，模型需要结合手部、镜头移动和前后事件作答。它提供的是一套身体动作理解测试，并非新训练出的体育大模型。

图1｜SOMA把身体理解拆成姿态、运动和时间关系。右侧雷达图为便于展示作了归一化，不能直接当作原始准确率。 论文原图

为什么关注 这篇最值得体育科研借鉴的是怎样出题：把“模型懂运动”拆成能逐项检查的能力，而不是只让模型泛泛描述一段视频。

怎么做的 作者设置12类任务，整理397个源视频、1611个片段和1632道问题，测试37个模型；还筛除部分不看视频、只凭文字也能答对的问题，减少模型靠题目措辞猜答案的机会。五名人类评测者承担对照评测，不代表数据集只有五名参与者。

结果怎么看 题目经过人工审核，并比较不同输入条件。附加动作信息带来的提升约为半到一个百分点，说明“给模型更多动作信息”还没有转化为明显的能力跃升。人类与模型观看的帧数和时间预算也不同，差距不能全部归因于身体理解能力。

我们的看法 它的新意主要在评测设计。四选一题答得好，并不能证明模型会开放式分析技术动作或指导训练。若要做体育专项版本，最值得继续读的是左右肢体、计数、时间关系的出题方式，以及模型具体错在哪里。

首位作者：Matea Tashkovska；EPFL Mathis团队，长期研究行为分析与感觉运动建模。文首列Alexander Mathis联系邮箱，未明确标记通讯作者。

SOMA: A Benchmark for Fine-Grained Egocentric Behavior and Body-Motion Understanding

arXiv: 2610.36384

体育大模型，怎样学写训练计划？arXiv技术报告 · 2026-10-28

Keepace把通用语言模型调整为中文体育与健康助手：根据目标、器材、时间和运动背景生成训练课程，回答体育知识问题，并解释用户提供的运动日志。它处理的是文字与日志任务，不是从比赛录像中识别动作。

图1｜Keepace的三类任务：制订训练计划、解释体育知识、分析运动日志，分别连接训练前、训练中与训练后的需求。 论文原图

为什么关注 适合用来拆解体育大模型的工程路线，尤其是领域训练数据和评价规则怎么做；目前的成绩主要反映回答质量，还没有证明能改善真实训练效果。

怎么做的 报告基于Qwen3.5-27B，先用约20万条领域例子训练，再用4000对优劣回答调整偏好。三类任务各用100条提示测试，专家每类核验30条回答。这些数量是文本训练和测试材料的规模，不是参加训练干预的人数。

结果怎么看 作者把课程结构、专业要求和个性化等要求拆成细项，便于检查模型回答究竟改善在哪里。但评价主要来自内部规则和自动评分，尚缺独立外部用户验证。

我们的看法 它是在通用模型上进行体育领域训练，贡献主要落在数据与流程设计。做自己的项目时，可以借鉴任务拆分和评分表，同时准备独立测试题与专家复核；回答更像专业教练，与建议实际有效、安全，仍是两件需要分别验证的事。

署名首位：Keepace.ai Team；通讯作者：Bowen Wu、Kun Li。材料展示产品与领域任务取向，尚无已核实的逐人机构对应及独立实验室背景。

Keepace.ai: A Technical Report on a Large Language Model for Sports and Health

arXiv: 2610.38249

运动员被遮住了，前后画面能帮多少？arXiv预印本；作者自报WACV 2027接收 · 2026-10-26

UT-HMR尝试从冰球、足球转播的完整画面中，恢复多人的三维人体形状和姿态。远处运动员很小，又有遮挡和模糊，单帧容易产生多个看起来都说得通的姿势。它在已有SAT-HMR方法上，结合相邻三帧画面，并在训练时降低不可靠关节的监督权重。

图2局部｜UT-HMR在体育画面中的三维人体重建结果。可视化用于说明输出形式，测量是否准确仍需独立验证。 论文原图

为什么关注 这是一项问题明确的方法改进：同时利用时间线索和关节可信程度处理重建歧义。它值得学改进思路，但贡献属于现有框架上的增量。

怎么做的 冰球数据来自24场NHL比赛，另在WorldPose和3DPW上测试。作者用相同基础网络作对照，并分别移除新增组件检查作用；独立人数、样本计数和按比赛划分的细节仍未报告。

结果怎么看 体育场景主要用算法生成的参考姿态评估，结果支持重建基准上的改善，不能直接当作真实关节运动测量精度。方法需要未来帧，耗时也高于基础版本，不能从三帧输入就推出适合实时部署。

我们的看法 值得继续看各组件的单独收益，以及训练、测试是否充分隔离。如果目标是生物力学或技战术测量，还需要独立参考系统和下游任务验证；重建画面更合理，并不自动说明关节角、速度等指标测得更准。

首位作者：Zhibo Wang；滑铁卢大学，合作者David Clausi所在VIP团队持续开展冰球视觉研究，并与Stathletes合作。本文未明确标记通讯作者。

UT-HMR: Uncertainty-Guided Temporal Modeling for Robust 3D Human Mesh Recovery

arXiv: 2610.36203

二维骨架识别出来了，跌倒速度就测准了吗？Scientific Reports · 2026-10-29

JCR Q1（2025，综合学科） · 新锐3区（2026，综合性期刊） · IF 4.9（2025）

这项研究把同一批受控跌倒录像交给人工流程和五种AI配置，从髋部轨迹计算速度，再与光学动捕比较。作者还分开检查前向、后向和侧向跌倒，观察方向与参考位置怎样改变工具表现。

图1｜左侧为前向、侧向、后向跌倒示意；右侧为手机与光学动捕的实验布置。原图取自出版方先行版PDF第3页。 论文原图

为什么关注 它没有提出新网络，却对使用2D骨架做测量的体育项目很实用：提醒我们同时检查关键点位置、标尺、同步和速度计算，不能只看骨架画得像不像。

怎么做的 研究纳入18名健康青年，计划采集324次跌落、432条轨迹；排除后保留319条轨迹，能完成全部方向比较的是15人。重复轨迹增加了测量次数，并没有增加独立参与者。

结果怎么看 优点是有光学动捕参考，并按方向分析一致性。局限在于不同工具的髋部解剖定义可能不一致，参考系统遮挡又导致较多轨迹被排除，复杂场景的表现可能比保留样本更差。

我们的看法 本文应定位为应用测量验证。健康青年的受控跌倒，尚不能代表老年人的自然跌倒或比赛落地；髋部速度也不是冲击力。做项目时，先借鉴它的参考点定义和分方向验证，再决定是否换姿态模型。

首位作者：Kitaek Lim；通讯作者：Woochol Joseph Choi；延世大学物理治疗系伤害预防与生物力学实验室。实验室方向与本文测量任务相符。

Validation of 2D video-based movement analysis tools for assessing human fall impact kinematics

DOI: 10.1038/s41598-026-77806-w

少标注的二维姿态训练，能从肢段得到什么帮助？Sensors · 2026-10-29

JCR Q2（2025，仪器仪表、分析化学、电气与电子工程） · 新锐3区（2026，综合性期刊） · IF 4.0（2025）

在既有半监督框架中增加肢段表示，让关键点与肢段互相校正，部署时移除辅助网络。8847张图来自201个源视频，独立人数未报告；有相同基础网络对照和消融，相对相近方法提升约1.6个百分点。属于有借鉴价值的监督机制增量，尚缺外部数据验证。

DOI: 10.3390/s26216833

从少量关键点补到解剖标记，体育动作迁移还差在哪里？Multidisciplinary Biomechanics Journal｜会议论文集短文 · 2026-10-26

以11名男性、6类体育任务、4机位视频及同步有标记参考，检查既有补点模块；43个推断标记中，31个共同标记参与比较。对OpenCap类项目的价值在分动作、分部位找误差，而非新算法。标记位置误差也不能直接当作关节角误差。

DOI: 10.46298/mbj.19194

把多视角二维关键点直接用于三维状态估计Multidisciplinary Biomechanics Journal｜会议论文集短文 · 2026-10-26

通过身体模型在图像上的投影误差与关键点可信程度，更新三维运动状态。8台相机只验证了一名参与者、14.55秒、5个转体空翻的试次；这是单次演示。可研究滤波怎样处理左右混淆和异常点，尚不足以支持跨人稳定性或全流程实时性。

DOI: 10.46298/mbj.19188

高速变向的无标记动捕：关节不同，误差也不同Multidisciplinary Biomechanics Journal · 第51届生物力学大会相关短文 · 2026-10-25/26/27（来源日期冲突）

4名有橄榄球经历的成人、39次试次，对比商用系统与有标记参考。髋部误差明显；主表最高归一化误差116.5%，与正文最高80%的说法不一致。适合作为复杂动作测量的警示案例，没有伤病结局，不能据此判断ACL风险识别已经可靠。

DOI: 10.46298/mbj.19198

QuEst：先判断哪路信号可信，再融合超声与惯性数据MobiCom 2026 · WiP研究进展短文 · 2026-10-26

用物理先验估计信号质量，调整不同传感信号与时段的融合。摘要报告相对前作参数量减少87%、计算量减少72%，但尚未核对参与者、姿态误差和实际耗时。它是4页研究进展短文，适合关注方法想法，不能据此认定精度、速度和功耗都占优。

DOI: 10.1145/3795866.3844736

手机＋腕部传感器采集扣球，先解决数据丢失公开预印本（平台名称尚未核实） · 2026-10-27

低成本排球采集方案在12名球员、139次扣球中试用。腕部流135次分析仅42次可用，故障主要指向蓝牙链路。可借鉴现场记录与同步经验；视频采集成功不能代替整个系统可靠，更不能证明角度和速度已经测准。

DOI: 10.31224/8613

Volley3D：借击球接触点，重建球与球员的三维运动arXiv预印本 · 2026-10-28

从单目排球转播出发，把球员跳跃、球轨迹分段与手部接触点结合起来。接触点提供了几何约束，对球轨迹研究很有启发。本期依据公开摘要介绍，尚未核对米制误差、相机假设和独立比赛测试；迁移到羽毛球还要调整飞行模型。

arXiv: 2610.38358

球员最快何时能到位？从比赛跟踪数据学习可达时间arXiv预印本 · 2026-10-26

利用2022世界杯64场比赛的跟踪数据，学习较短的可行到达时间，为球场空间控制分析提供模块。亮点是把“通常怎么跑”与“有可能多快到达”分开。当前仅依据摘要介绍；比赛隔离、物理约束和跨项目稳定性尚需完整实验支持。

arXiv: 2610.36183

网球落地与击拍检测，换个机位还有效吗？arXiv预印本 · 2026-10-27

8段视频、345条事件，用来比较轨迹、姿态规则与视觉语言模型。三个手机或场边片段中有两个用于规则调参，不能当作独立泛化测试。本期依据摘要，最有用的是提醒球轨迹项目单独测不同机位和接触时刻，而不是把高分当成熟方案。

arXiv: 2610.38042

第一视角网球：从看见球，到预测下一次触球arXiv预印本 · 2026-10-27

将球、人、未来轨迹和触球时刻拆成七类任务，并接入动作生成。数据明确只有一名第一视角专家球员，含85个活跃回合、约29.6分钟；同步外部视角的采集设计值得参考。球位置约半米量级误差，尚不能当作鹰眼精度或跨球员通用理解能力。

arXiv: 2610.37619

MoveBench：训练建议的科学性、安全性，怎样分别打分？arXiv预印本 · 2026-10-25

对15个模型设置809道问题、5012条评分规则，把知识问答与合适的训练建议分开评价。可借鉴的是细分评价要求，而非直接照搬总榜。本文本周更新，首次公开为10月19日；本期依据摘要与项目介绍，尚未核对题目污染、专家一致性等细节。

arXiv: 2610.26185

从跑姿识别睡眠剥夺：熟悉一个人，不等于适用于新人Frontiers in Bioengineering and Biotechnology · 2026-10-30

JCR Q1（2025，出版方汇总，未分学科） · 新锐2区（2026，生物学） · IF 5.8（2025）

21名跑者在正常睡眠与完全睡眠剥夺条件下配对测试。最佳个人条件分类中，可穿戴与动捕分别为84%和81%，跨人结果多接近50%。本期依据原始摘要，值得记住的是个体基线与跨人泛化的差距；完全睡眠剥夺也不能直接代表日常疲劳。

DOI: 10.3389/fbioe.2026.1939545

罚球技术分类的高分，会不会其实来自身高？BMC Sports Science, Medicine and Rehabilitation · 2026-10-30

JCR未核实 · 新锐3区（2026，医学） · IF 3.4（2025）

20名男性篮球爱好者分两组，融合分类结果为0.75，仅用身高为0.85；在训练折内去除身高关联后，融合结果降至0.50。本期依据摘要，这个阴性结果对实验设计很有价值：模型可能分清了身材，未必学到了技术差异。

DOI: 10.1186/s13102-026-02211-9

EpiCoach：先写下训练预测，再用个人数据检验arXiv预印本 · 2026-10-29

让训练智能体预先登记可检验的预测，并保留纠错记录。材料来自一名山地车运动员的18个月回放，前瞻三周登记20条预测，其中14条已有评分；没有显示智能体优于静态模型或改善骑行表现。单人研究可用于探索个体规律，这里更值得借鉴的是验证流程。

arXiv: 2610.40370