Skiteknikk under lupen med sensordata og maskinlæring

Fra sportskommentatorer til velmenende onkler: Alle har en idé om hva som er den beste langrennsteknikken. Nå har forskere laget en avansert sensorløsning som kan gi detaljkunnskap om kroppens bevegelser. Det gir mulighet til å analysere teknikker på et nivå som aldri har vært gjort før.

Langrenn er Nordens Yoga – det er en form for meditasjon

Ole Marius Hoel Rindal

Hva har skiene å si for teknikken?

– Forskningen bekrefter det sportskommentatorene sier, bare fem år etterpå, smiler postdoktor Ole Marius Hoel Rindal, ved Universitetet i Oslo.

Dataene viser også at staking er den raskeste teknikken. Men Rindals forskning, der skiteknikk virkelig er lagt under lupen, viser at svaret på hva som er den beste teknikken er mer komplekst enn som så.

Rindal forsker på digital signalbehandling og forteller at metodene de har utviklet blant annet kan skille mellom vanlig diagonalgang og Johannes Høsflot Klæbos særegne teknikk "Klæbo-klyvet". Målet for SkiAlive (ekstern link) har vært å teste ski, og prosjektet er et samarbeid mellom SINTEF og skiprodusenten Madshus. Sammen med Madshus har forskere testet hvordan de kan måle små forskjeller i teknikken. Bruker utøverne ulike teknikker med forskjellige ski? Og hva har skien å si for teknikken, var spørsmål de ønsket å se nærmere på.

– Målet har hele tiden vært å finne bedre måter å teste ski på, forklarer Rindal.

Måtte utvikle nye metoder for å henge med i løypa

Forskningen har utspring i innovasjonsprosjektet, emPower. Nå følger Rindal opp denne forskningen fra Universitetet i Oslo.

Ifølge ham bruker skiprodusenten Madshus mye ressurser på å teste ski, både hvilken skikonstruksjon som er best og hvilket enkeltpar som er best for toppidrettsutøverne.

– En utøver har kanskje 30 par ski tilpasset de forskjellige stilartene klassisk og skøyting samt forskjellige typer føre og snø. Det brukes mye ressurser på å teste ski, men likevel er hva som er den beste skien å gå på en subjektiv opplevelse. Målet med forskningen er å komme frem til mer objektive mål i testingen, sier Rindal.

For å kunne gjøre så grundige analyser som Madshus ønsket, har forskerne utviklet  avanserte analyser av store mengder sensordata. Sensoren må ikke være til hinder for teknikken, så det er grenser for hvor store de kan være. Det er også viktig å plassere de riktig. Hver sensor samler data, men en av utfordringene er å samkjøre dem slik at de måler det samme, til samme tid. Deretter måtte forskerne definere en syklus, altså når begynner og slutter et «tak».

Maskiner kan se forskjell på diagonalgang og «Klæbo-klyv»

– I begynnelsen hadde vi data fra hver arm, brystet, øvre og nedre rygg, og fra beina. Vi brukte sensorer fra armene til å måle hver syklus. Når armen er på sitt bakerste punkt avsluttes taket, forklarer Rindal. Deretter deler vi dataene inn i sykluser og bruker maskinlæring til å kjenne igjen teknikken.

Han viser at hastigheten på skien faller når den kommer i kontakt med snøen. Da er bevegelsen over i en fase hvor skien føres fremover i sporet. Deretter stopper farten helt opp i det øyeblikket frasparket skjer.

– For hver eneste syklus i diagonalgang vet vi at det er en kort tidsperiode hvor skien står helt stille. Det kan vi bruke til å hele tiden korrigere hastighet fordi vi vet at det er punkter med null fart underveis, sier Rindal.

Uten å definere begynnelsen og slutten på et tak er det vanskeligere for maskinen å kjenne igjen teknikken. Derfor var denne definisjonen viktig. Nå kan maskinen skille mellom diagonal, staking, utforstilling og dobbelttak med fraspark – og «Klæbo-klyv».

For å demonstrere hvordan det ser ut har Rindal laget en video med sensordata og film som viser hva som skjer underveis.

Ingen utøvere har lik teknikk

– Det er veldig interessant at vi kan se de ulike delene av frasparket, forklarer Rindal. I de karakteristiske «Klæbo-klyvene» er skiene lengre i lufta og har kortere fraspark. Han løper en del med høye kneløft, men han har endret stilen sin en del siden han introduserte denne teknikken. Vår hypotese, som vi også ser i dataene, er at du mister mye av føringen av skien og at du går rett fra luft til kontakt med bakken, forklarer han.

Han forklarer at det de ser av dataene nå, er det sportskommentatorer har sagt i årevis. Dataene viser også at staking er den raskeste teknikken. Heller ikke det var noen overraskelse, mener Rindal.

– Det lønner seg å gå med blanke ski og bare stake, sier han.

Likevel sier Rindal at teknikk er svært individuelt. Derfor er denne teknologien først og fremst viktig for utøvere og skiprodusenter som skal finslipe og perfeksjonere.

– Norske løpere går veldig annerledes enn russiske løpere. Du må finne en teknikk som passer kroppen din, sier Rindal.

Trener maskinene på treningsdata

Med GPS og sensorer på skiene har Rindal vært med å trene maskinlæringsalgoritmene i løypa på ulike utøvere. Deretter har de sett på de ulike teknikkene. For å kvalitetssikre at maskinene kjenner igjen teknikken har de også filmet underveis.

– Når vi har kamera vet vi hva slags teknikk det er, men nå vet vi fra sensordataene hvilken delteknikk som blir brukt til enhver tid i en løype. Vi vil for eksempel se på om du endrer delteknikk om du har et annet par ski, sier Rindal.

Han forteller at for å gjøre så nøyaktige analyser er de avhengige av å vite hvilken delteknikk som blir brukt hele veien.

– Hvis du har veldig mye treningsdata blir maskinlæringen bra, men det er svært ressurskrevende, sier Rindal.

Han, og kollegaer, har sittet med timevis av filmopptak av utøvere for å generere fasit på hvilken delteknikk som blir brukt. Dette bruker maskinlæringsalgoritmen som treningsdata for å lære seg å kjenne igjen delteknikk fra sensordataene. Kameraet viser 30 bilder i sekundet, og sensordataene har enda høyere oppløsning.

– Vi har delt inn i makroanalyser, som løypa, og mikroanalyser, som er de virkelig små nyansene i bevegelsene, sier Rindal.

Han forklarer at det hadde vært interessant for forskningen om sensorene for eksempel kunne knyttes til treningsapper som Strava.

– I Strava lager man typisk oversikter over raskeste tid. Hvis man i tillegg kunne se teknikken som var brukt ville det kanskje være mer interessant, sier Rindal.

Imidlertid har de utviklet sin egen interne versjon av Strava de kaller «SkiViewer». Den  inneholder GPS-analyse av løypa sammen med informasjon om delteknikk. Slik kan man for eksempel studere i hvilke hastigheter man bruker de ulike delteknikkene. I tillegg er det utviklet et eget verktøy, ActivityPresenter (link til ekstern nettside med kodeverktøy, engelsk), som kan brukes til å visualisere sensordataene sammen med videopptak av utøveren.

Det finnes ikke én perfekt teknikk 

I mang en familie er det heftig debatt om hvilken teknikk som er best. Rindal påpeker at skiteknikk henger sammen med hvilket utstyr man har, hva slags løyper man går i og hvilket føre det er. Derfor er det ikke nødvendigvis slik at en teknikk kan få merkelappen som den beste.

I 1940 var det for eksempel vanlig med store trinser og de fleste satte staven foran seg. Det var manuell preparering av løypene, som gjorde det nødvendig med denne typen utstyr. Bedre preparering av løyper i tillegg til utviklingen av utstyr, som bedre ski og stivere staver, resulterte i utviklingen av helt andre teknikker. I dag staker man også mye mer.

– Når du går i løssnø setter du staven foran deg. Da komprimerer du snøen før du får vekten på staven. Ny teknologi og nytt utstyr, i tillegg til preparering av løypene, har tillatt andre måter å bevege seg på. Du kan skøyte eller stake på perfekt skare, men prøv å skøyte deg over Jotunheimen i januar, sier Rindal.

– Hva er ditt beste tips til god teknikk?

– Finn de skiene som er lette å føre i sporet. Vi tror, uten at vi har bekreftet det ennå, at førefasen blir lengre og at du får mindre tap av akselerasjon, sier han.

Han avslutter med å si at hvis du fokuserer på å få god flyt er det kanskje det beste:

– Langrenn er Nordens Yoga – det er en form for meditasjon, sier Rindal.

Les forskningsartiklene: 

Ole Marius Hoel Rindal, Trine M. Seeberg, Johannes Tjønnås, Pål Haugnes, og Øyvind Sandbakk, Automatic Classification of Sub-Techniques in Classical Cross-Country Skiing Using a Machine Learning Algorithm on Micro-Sensor Data, Sensors, 2018