# SmartRep: Грант РНФ (v2)

Этот репозиторий служит рабочим пространством и базой знаний для подготовки заявки v2 в Российский Научный Фонд (РНФ).
Проект **SmartRep** посвящен анализу техники выполнения силовых упражнений с использованием компьютерного зрения и нейросетевых архитектур, оптимизированных для мобильных (edge) устройств.

## Описание проекта
Исследование направлено на решение проблемы оценки техники физических упражнений в неконтролируемых условиях (различные ракурсы, освещение, антропометрия) без использования больших размеченных датасетов с примерами "ошибочных" выполнений.

Основные научные направления, исследуемые в репозитории:
- 🅰 **Self-Supervised Action Quality Assessment (AQA) на edge** (без явной разметки ошибок).
- 🅱 **Few-Shot Adaptation** к новым упражнениям на основе 3-5 эталонных повторений.
- 🅲 **Physics-Informed Pose Refinement** для учета биомеханики (физически допустимые позы).

В проекте предлагается гибридный подход, сочетающий легкие нейросети для извлечения биомеханических дескрипторов (углы суставов, скорости) с нечеткой логикой (TSK-ANFIS) для интерпретируемой оценки техники в режиме few-shot.

## Структура репозитория
- `SmartRep/` — основная директория проекта.
  - `0_prompts/` — шаблоны промптов для анализа статей ИИ-агентами (Claude / GPT / Gemini).
  - `1_lit_research/` — литературный обзор, структурированный по темам (датасеты, оценка поз, временные модели и др.). Содержит файлы синтеза (`СИНТЕЗ_*.md`).
  - `novelty.md` — детальный анализ 7 кандидатных научных проблем и гипотез.
  - `diff_план_v2.md` — стратегический план доработки заявки на основе критики предыдущей версии (заявка № 26-21-20137) с указанием конкретных шагов.
  - `README.md` — внутренний README для папки SmartRep.
- `GEMINI.md` — инструкции и контекст для ИИ-агентов (Gemini) по работе с репозиторием.

## Текущий статус
В настоящий момент ведется активная доработка заявки по замечаниям экспертизы РНФ (см. `SmartRep/diff_план_v2.md`). Основной фокус: формулирование научной гипотезы (комбинация направлений 🅰 и 🅱), обновление обзора литературы (особенно в части few-shot обучения и edge pose estimation) и подготовка плана валидации с использованием MoCap-оборудования.