SportsGPT：用于可解释体育动作评估与训练指导的 LLM 驱动框架
计算机视觉与模式识别
2025-12-22 v2 人工智能
摘要
现有智能体育分析系统主要聚焦于“评分与可视化”，通常缺乏自动性能诊断与可解释的训练指导。大型语言模型（LLMs）与动作分析技术的最新进展为解决上述局限性提供了新机遇。在本文中，我们提出了 SportsGPT，一个由 LLM 驱动的可解释体育动作评估与训练指导框架，建立了从动作时间序列输入到专业训练指导的闭环。首先，给定一组高质量目标模型，我们引入了 MotionDTW，一种两阶段时间序列对齐算法，旨在从基于骨架的动作序列中精确提取关键帧。随后，我们设计了基于知识的可解释体育动作评估模型（KISMAM），通过将关键帧与目标模型进行对比，获取一组可解释的评估指标（如伸展不足）。最后，我们提出了 SportsRAG，一个基于 Qwen3 构建的 RAG 训练指导模型。利用 6B token 的知识库，它通过检索特定领域的 QA 对来提示 LLM 生成专业训练指导。实验结果表明，MotionDTW 以更低的时间误差与更高的 IoU 分数显著优于传统方法。此外，消融实验验证了 KISMAM 与 SportsRAG，证实 SportsGPT 在诊断准确性与专业性上超越了通用 LLMs。
引用
@article{arxiv.2512.14121,
title = {SportsGPT: An LLM-driven Framework for Interpretable Sports Motion Assessment and Training Guidance},
author = {Wenbo Tian and Ruting Lin and Hongxian Zheng and Yaodong Yang and Geng Wu and Zihao Zhang and Zhang Zhang},
journal= {arXiv preprint arXiv:2512.14121},
year = {2025}
}