SPLxUTSPAN-2026-Data-Challenge Dataset

github2026-02-03 更新2026-02-18 收录

下载链接：

https://github.com/Elliot-Sones/SPLxUTSPAN-2026-Data-Challenge

下载链接

链接失效反馈

官方服务：

资源简介：

该数据集包含超过450个篮球罚球的运动捕捉数据，使用无标记运动捕捉系统跟踪，并提供每个投篮的落点结果。数据集的目标是利用投篮者的身体运动来预测篮球在篮筐上的落点，包括角度、深度和左/右三个特征。

This dataset contains over 450 sets of motion capture data for basketball free throws, tracked using a markerless motion capture system, and provides the landing outcome for each shot. The goal of this dataset is to predict the basketball's landing positions on the hoop, including three features: angle, depth, and left/right direction, using the shooter's body movements.

创建时间：

2026-01-22

原始信息汇总

SPLxUTSPAN 2026 数据挑战赛 - 罚球预测数据集概述

数据集基本信息

数据集名称：SPLxUTSPAN 2026 Data Challenge - Free Throw Prediction
核心任务：基于全身运动捕捉数据预测篮球罚球的落点结果（角度、深度、左/右偏移）。
数据来源：为SPLxUTSPAN 2026 Kaggle竞赛构建。
最终得分：在竞赛最终排行榜上获得0.006148的均方误差（MSE）分数。

数据内容与结构

数据总量：共458次投篮，其中训练集345次投篮，测试集113次投篮。
受试者：数据来自5名不同的篮球运动员。
数据维度：每次投篮记录为240帧、每秒60帧的运动捕捉序列。
特征维度：每帧包含69个身体关节点，每个点有3个坐标（x, y, z），共计207个特征。
预测目标：三个经过缩放到[0, 1]区间的连续值，分别描述篮球相对于篮筐的落点：
1. 角度
2. 深度
3. 左/右偏移
评估指标：三个目标值的平均均方误差（MSE）。

数据处理与特征工程方法

核心洞察：每名运动员的投篮机制存在个体差异，因此采用按运动员独立建模的流程。
关键方法：
1. 按运动员的局部加权回归：基于高斯核函数，利用同一运动员在生物力学上最相似的训练投篮来预测其测试投篮。
2. 时间承诺点识别：识别不同预测目标在投篮动作中被“决定”的关键帧（深度约在出手前930毫秒，角度约在出手前550毫秒，左/右偏移在出手后）。
3. 动力学链与手部物理特征：追踪从地面到指尖的能量传递过程，并提取释放瞬间的指尖速度、手指张开度、手腕弯曲度及五指卷曲度等特征。
4. 双流CNN特征提取：
  - 关节速度CNN：处理关节速度序列。
  - 关节位置CNN：处理关节位置序列。
5. MiniRocket时序融合：使用随机卷积在240帧全序列上提取时序模式特征。

模型集成策略

最终提交模型：混合了基于Ridge回归的主流程（占90-98%权重）和CNN预测（占2-10%权重）。
权重分配：CNN的混合权重根据其在每位运动员数据上的预测质量（MSE）进行个性化分配。

仓库文件结构

数据文件：位于data/目录下，包含训练和测试的CSV文件（运动捕捉数据与目标值）。
核心脚本：位于scripts/目录下，约470个文件。
- per_example_pipeline.py：核心的按运动员局部加权Ridge回归流程。
- enhanced_69joint_cnn.py：69关节速度CNN。
- position_69j_cnn.py：69关节位置CNN。
- per_player_calibration_fix.py：按运动员分配CNN混合权重。
- extended_physics_features.py：手部物理特征工程。
- kinetic_chain_features.py：动力学链特征工程。
文档与记录：
- METHODOLOGY.md：完整的方法论说明。
- Research/：研究日志、发现和分析记录。
- submission/：8次里程碑提交的CSV文件。

复现说明

环境安装：使用uv工具创建虚拟环境并安装requirements.txt中的依赖。
运行核心流程：执行scripts/per_example_pipeline.py生成测试集预测。
训练CNN模型：分别运行速度CNN和位置CNN的脚本。
生成最终提交：运行混合权重分配脚本以生成最终预测文件。

无效尝试记录

以下方法在本数据集的建模中未能提升预测性能：

从外部数据集（如Shot7M2, CMU MoCap）进行迁移学习。
基于BiGRU、kNN的多样性噪声混合策略。
各种正则化尝试。
MuJoCo物理模拟。
傅里叶节奏特征。

搜集汇总

数据集介绍

构建方式

在运动生物力学与计算机视觉交叉领域，SPLxUTSPAN-2026-Data-Challenge Dataset的构建聚焦于篮球罚球动作的精细化建模。该数据集通过高精度运动捕捉系统，采集了五名球员共458次罚球的全身体运动轨迹，每帧数据包含69个关节点在三维空间中的坐标，采样频率为60赫兹，覆盖了从起跳到球出手后约四秒的完整动作序列。数据标注方面，每个样本关联三个归一化目标变量，分别描述篮球落点相对于篮筐的角度、纵深及左右偏移，这些标签基于实际物理测量进行标定，确保了监督学习的可靠性。

使用方法

使用该数据集时，研究者可遵循典型的时序预测流程。首先从数据目录加载CSV格式的运动序列与标签文件，利用提供的脚本提取关键生物力学特征，如动能链传递指标与手部物理参数。模型构建建议采用分阶段策略：针对不同预测目标，可依据其时间决策点（如纵深约930毫秒前确定、角度约550毫秒前锁定）在相应帧上提取特征；继而可融合手工特征与卷积神经网络自动学习的时序模式。最终预测可通过集成方法完成，例如为每位球员独立配置局部加权岭回归模型，并辅以轻量级的CNN输出进行校准，具体权重可根据球员特定表现动态调整。

背景与挑战

背景概述

在运动生物力学与体育分析领域，精确量化运动员动作与运动表现之间的关联性一直是核心研究课题。SPLxUTSPAN-2026-Data-Challenge Dataset由SPL与UTSPAN研究团队于2026年创建，旨在通过高精度运动捕捉数据预测篮球罚球落点。该数据集收录了五名运动员共458次罚球的全身体69个关节点三维坐标序列，聚焦于从四秒的动作窗口中解析出手角度、深度及左右偏移三个关键落点参数。其构建推动了计算体育科学的发展，为动作识别、表现优化及个性化训练提供了高维时序数据基准，显著增强了运动分析中数据驱动模型的解释力与预测准确性。

当前挑战

该数据集致力于解决篮球罚球落点预测这一复杂时空回归问题，其核心挑战在于如何从高维、冗长的运动序列中提取具有判别性的生物力学特征。具体而言，模型需克服不同运动员间动作模式的显著差异性，并精准捕捉决定落点的关键力学时刻，如出手前约930毫秒的深度锁定与550毫秒的角度锁定。在构建过程中，研究团队面临多源数据对齐、噪声滤除以及标注一致性等挑战，同时需在有限样本量（345次训练罚球）下保障模型的泛化能力，避免因个体特异性导致的过拟合，从而实现对未知罚球轨迹的稳健预测。

常用场景

经典使用场景

在运动生物力学与计算机视觉交叉领域，SPLxUTSPAN-2026-Data-Challenge Dataset为研究者提供了探索人体运动与投篮结果之间复杂映射关系的宝贵平台。该数据集的核心应用场景在于利用高精度运动捕捉数据，通过机器学习模型预测篮球罚球落点的三维空间坐标。经典的使用方法涉及从69个身体关节点在240帧时间序列中提取特征，构建能够捕捉投篮动作中能量传递、关节时序协调及手部精细运动的预测框架，从而实现对投篮精度进行量化分析与建模。

解决学术问题

该数据集有效解决了运动科学中一个长期存在的学术难题：如何从连续的人体运动序列中解码出特定动作的结果预测。它通过提供标定的运动捕捉与落点标签，使得研究者能够系统探究生物力学特征与投篮性能之间的因果关系，例如识别动能链传递的关键节点、手部释放瞬间的物理参数影响，以及不同球员个体差异对预测模型泛化能力的挑战。其意义在于推动了数据驱动的运动分析范式，为动作理解、个性化建模及人机交互研究提供了可重复验证的基准。

实际应用

在实际应用层面，该数据集所支撑的技术可直接服务于篮球训练与运动员表现优化。教练团队可利用预测模型对球员的投篮动作进行实时反馈与矫正，识别动作序列中的薄弱环节，例如起跳时机、肘部角度或手腕发力模式。进一步地，此类模型可集成到智能训练系统中，为每位球员生成个性化的 biomechanical signature，辅助制定针对性的技术调整方案，从而提升投篮命中率与动作效率，体现了 computational sports science 在竞技体育中的转化潜力。

数据集最近研究