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.