Klassifisering av bevegelsesmønster hos orienteringsløpere
Master thesis
![Thumbnail](/nmbu-xmlui/bitstream/handle/11250/188835/sagberg_2012_.pdf.jpg?sequence=5&isAllowed=y)
View/ Open
Date
2012-09-03Metadata
Show full item recordCollections
- Master's theses (RealTek) [1826]
Abstract
Sammendrag
Med de siste års utvikling av kommunikasjonsteknologi, GNSS-mottakere og -sendere er orienteringssporten på vei ut av skogen og inn i hjemmet. Direkte overføring av løpernes posisjon fra GNSS mottakere via mobilnettet til en server og deretter videre ut på storskjerm og internett, gjør at man nå kan følge løpernes bevegelser fra start til mål. Med et stort antall løpere som følges kan det bli vanskelig å få med seg alt. Jeg har derfor i denne oppgaven forsøkt å finne en metode for å kunne klassifisere bevegelsesmønsteret til orienteringsløpere, for automatisk å kunne oppdage når løperne har problemer med å finne posten.
Jeg har valgt å benytte et såkalt sliding window, glidende vindu, en algoritme som behandler de til enhver tid n siste observasjoner. Når en ny observasjon kommer til fjernes den eldste, og nye beregninger foretas. For å klassifisere dataene valgte jeg å se på forholdet mellom løpt distanse på de n siste observasjonene og avstanden fra den første til den siste observasjonen i vinduet.
For å finne en verdi for hva som bør klassifiseres som bom, ble det samlet inn data med GNSS-mottakere. Den samme løypen ble løpt fem ganger, og under innsamlingen av data ble det lagt inn en del typiske bommer som ofte går igjen i orientering. Under analysen av testdataene fant jeg at forholdet mellom luftavstand og løpt distanse falt til under 0,8 når løperen bommet. For å få systemet følsomt nok ble vinduet satt til fem observasjoner, noe som tilsvarer cirka 30 sekunders løping, avhengig av GNSS-enhetens oppdateringsfrekvens.
For å teste om metoden også fungerte på andre datasett benyttet jeg data fra et norgescupløp. Data fra mange større orienteringskonkurranser ligger tilgjengelig på internett for de som ønsker å se dette i ettertid. GNSS-dataene er også mulig å laste ned for egne analyser. Kontrolldataene avdekket noen svakheter med algoritmen. Siden løperne ofte skal endre retning på postene, er det avgjørende, for å unngå falske positive utslag, at dette tas hensyn til. For å registrere løperne på postene ble det satt en buffer på 17 meter rundt postens koordinater, dersom løperen var innenfor denne avstanden ble det antatt at posten var besøkt. Dessverre kan det virke som om terrenget i kontrollområdet stilte andre krav til postregistreringen, noe som ga et stort antall falske positive utslag. En annen svakhet, som ikke ble avdekket siden kontrollterrenget hadde en del likhetstrekk med testterrenget, er hva som skjer når det på grunn av hindringer i terrenget ikke er mulig for løperne å holde en like rett linje over kortere tidsperioder.
80 av 97 bom i kontrolldatasettet ble oppdaget. 96 av 176 utslag i kontrolldataene ble feilaktig klassifisert som bom. Hele 93 av disse var umiddelbart etter postpassering og bør kunne fjernes med en bedre metode for registrering på postene.
Abstract
Due to the rapid evolution in communication technique and GNSS receivers and transmitters, the possibility to follow the big competitions in the sport of orienteering is now getting available in the many homes spread around the world. Live broadcast of the runner’s position collected by GNSS receivers, transmitted through mobile broadband, computed in a server and then sent out on the internet and television, makes it possible for everyone to follow all the action going on in the forest. With the increasing amount of information available, a method to automatically sort out the most interesting moments is needed. I will therefore, in this paper, try to find an algorithm that can classify the runner’s pattern of motion, and let us know when their behavior is now longer as expected.
To analyze the data, I have chosen to use a sliding window.This is a method that takes only in consideration the n last observations, and leaving out the oldest observation as a new one gets available. To classify the motion I have looked at the factor between the total distance run during the last n observation and the distance between the first and last observation in the window.
The test data was collected with GNSS watches. A course was run five times, including some normal mistakes made by orienteers. This dataset was then used to find the factor representing normal behavior and the limit for what should be classified as a mistake. During this analysis, I found that an appropriate value for mistakes would be when the factor exceeds 0.8. Also the size of the window was tested, leaving me with the best result for a window stretching about 30 seconds.
To verify the method, I used data from 37 runners in a national competition. This revealed some weaknesses in the algorithm. First, there were a lot of false positive results; most of these immediately after a control. With the runners often changing the direction when heading for the next control, I made a method to find out when a runner had found a control. With a much slower terrain in the control area than in the test area it seems like the runners have been confirmed at a control too soon, making the wanted change of direction at the control classified as unwanted motion, a mistake. A more sophisticated algorithm to decide whether or not a runner have passed the given control, would eliminate most of the false positive results. Another big weakness, unfortunately not revealed due to similarities between the test area and the control area, is the possibility that terrain formations, vegetation or other obstacles forcing runners into motion, in this paper, classified as unwanted.