KD-Judge：面向边缘设备上功能性健身动作的知识驱动自动评判框架
计算机视觉与模式识别
2026-04-23 v1
摘要
功能性健身动作广泛应用于训练、比赛和健康导向的锻炼计划中，但由于主观的人为判断、时间限制和不断演变的规则，始终如一地执行次数标准仍然具有挑战性。现有的基于 AI 的方法主要依赖于学习评分或基于参考的比较，缺乏显式的基于规则的约束，限制了透明度和确定性的次数级别验证。为了解决这些局限性，我们提出了 KD-Judge，一个面向功能性健身动作的新型知识驱动自动评判框架。它使用基于 LLM 的检索增强生成和思维链规则结构化流水线，将非结构化的规则手册标准转化为可执行的、机器可读的表示。然后，通过一个具有姿态引导运动学推理的确定性基于规则的评判系统纳入这些结构化规则，以评估动作有效性和时间边界。为了提高在边缘设备（包括高性能台式机和资源受限的 Jetson AGX Xavier）上的效率，我们引入了一种双重策略缓存机制，可以选择性地应用以减少冗余和不必要的计算。实验证明了可靠的规则结构化性能和准确的次数级别评估，在 CFRep 数据集上进行了评判评估，实现了快于实时的执行（实时因子 (RTF) < 1）。当启用所提出的缓存策略时，在资源受限的边缘设备上，与无缓存基线相比，预录制和实时流场景下的系统分别实现了高达 3.36 倍和 15.91 倍的加速。这些结果表明，KD-Judge 能够实现透明、高效且可扩展的基于规则的次数级别分析，可在实践中补充人为评判。
引用
@article{arxiv.2604.19834,
title = {KD-Judge: A Knowledge-Driven Automated Judge Framework for Functional Fitness Movements on Edge Devices},
author = {Shaibal Saha and Fan Li and Yunge Li and Arun Iyengar and Lucas Alves and Lanyu Xu},
journal= {arXiv preprint arXiv:2604.19834},
year = {2026}
}
备注
Accepted at IEEE/ACM CHASE 2026