KD-Judge: A Knowledge-Driven Automated Judge Framework for Functional Fitness Movements on Edge Devices
作者: Shaibal Saha, Fan Li, Yunge Li, Arun Iyengar, Lucas Alves, Lanyu Xu
分类: cs.CV
发布日期: 2026-07-20
💡 一句话要点
提出KD-Judge框架以解决功能性健身动作评判的自动化问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 功能性健身 自动评判 知识驱动 边缘计算 运动学推理 实时分析 规则结构化
📋 核心要点
- 现有方法在功能性健身动作的重复标准评判中存在主观性和透明度不足的问题，难以实现一致性。
- KD-Judge框架通过将非结构化规则转化为机器可读的形式，结合基于规则的评判系统，提供了一种透明且高效的解决方案。
- 实验结果显示，KD-Judge在边缘设备上实现了高达3.36倍和15.91倍的速度提升，支持实时评判，表现出色。
📝 摘要（中文）
功能性健身动作在训练、比赛和健康导向的锻炼项目中被广泛使用，但由于主观判断、时间限制和规则演变，始终如一地执行重复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参考比较，缺乏明确的基于规则的方法，限制了透明度和确定性的重复级别验证。为了解决这些局限性，本文提出了KD-Judge，一个新颖的知识驱动自动评判框架。该框架将非结构化的规则标准转换为可执行的机器可读表示，利用基于大型语言模型的检索增强生成和思维链规则结构化管道。结构化规则随后被纳入一个确定性的基于规则的评判系统，通过姿态引导的运动学推理来评估重复的有效性和时间边界。实验表明，该系统在资源受限的边缘设备上实现了高效的规则结构化性能和准确的重复级别评估。
🔬 方法详解
问题定义：本文旨在解决功能性健身动作评判中主观性和透明度不足的问题。现有方法依赖于学习评分和参考比较，缺乏明确的规则基础，导致重复标准的验证不够可靠。
核心思路：KD-Judge框架的核心思想是将非结构化的健身动作规则转化为机器可读的形式，通过基于规则的系统进行评判，从而提高评判的透明性和效率。
技术框架：该框架包括三个主要模块：首先是基于大型语言模型的检索增强生成，用于规则的结构化；其次是确定性的基于规则的评判系统，结合姿态引导的运动学推理；最后是双重缓存机制，以提高在边缘设备上的计算效率。
关键创新：KD-Judge的主要创新在于将规则转化为机器可读形式的能力，以及通过姿态引导的运动学推理实现的高效评判。这与现有方法的主要区别在于其透明性和可解释性。
关键设计：在设计中，采用了双重缓存机制以减少冗余计算，并在资源受限的设备上优化了性能。实验中评估了系统在不同场景下的表现，确保了实时性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，KD-Judge在CFRep数据集上的评判速度超过实时，实时因子（RTF）小于1。在启用缓存策略时，系统在资源受限的边缘设备上实现了高达3.36倍和15.91倍的速度提升，分别针对预录制和直播场景，显示出显著的性能优势。
🎯 应用场景
KD-Judge框架具有广泛的应用潜力，特别是在健身训练、比赛评判和健康监测等领域。其透明和高效的评判机制能够辅助教练和裁判，提高运动员训练的科学性和公平性。未来，该技术还可扩展到其他需要自动化评判的运动项目中。
📄 摘要（原文）
Functional fitness movements are widely used in training, competition, and health-oriented exercise programs, yet consistently enforcing repetition (rep) standards remains challenging due to subjective human judgment, time constraints, and evolving rules. Existing AI-based approaches mainly rely on learned scoring or reference-based comparisons and lack explicit rule-based approaches, limiting transparency and deterministic rep-level validation. To address these limitations, we propose KD-Judge, a novel knowledge-driven automated judging framework for functional fitness movements. It converts unstructured rulebook standards into executable, machine-readable representations using an LLM-based retrieval-augmented generation and chain-of-thought rule-structuring pipeline. The structured rules are then incorporated by a deterministic rule-based judging system with pose-guided kinematic reasoning to assess rep validity and temporal boundaries. To improve efficiency on edge devices, including a high-performance desktop and the resource-constrained Jetson AGX Xavier, we introduce a dual strategy caching mechanism that can be selectively applied to reduce redundant and unnecessary computation. Experiments demonstrate reliable rule-structuring performance and accurate rep-level assessment, with judgment evaluation conducted on the CFRep dataset, achieving faster-than-real-time execution (real-time factor (RTF) < 1). When the proposed caching strategy is enabled, the system achieves up to 3.36x and 15.91x speedups on resource-constrained edge device compared to the non-caching baseline for pre-recorded and live-streaming scenarios, respectively. These results show that KD-Judge enables transparent, efficient, and scalable rule-grounded rep-level analysis that can complement human judging in practice.