Nikhil
>

Kan sensorer og datafangst effektivisere måling av glid i skiløypa?

Martin Gravråk,  Nikhil Luthra 
13. april 2020

På labben i Øst tester vi om sensorer på ski og maskinlæring kan hjelpe to unge langrennstalenter. Tidlig i mars dro vi til skianlegget SNØ for å teste labb-skiene og samle inn data. Se hvordan det gikk og les mer om teknologien her

Mathias Holbæk og Anders Lund er to langrennsløpere som har Bouvet som sponsor. De leverer godt i løypa, og vi følger stolt med på utviklingen og prestasjonene de leverer.

Martin og jeg er begge aktive i labben i øst, vårt makerspace. Her stimulerer vi til innovasjon, lek og utforskning av ny teknologi. I prat med vår daglige leder, Sverre Hurum, begynte vi å diskutere mulighetene for å gjøre noe kult i labben for de to langrennsløperne.

Dette ble starten på vårt pågående labbprosjekt, hvor vi tester sensorer og maskinlæring på langrennsski og staver. Målet vårt er å forhåpentligvis hjelpe gutta til å gå enda raskere på ski.

Se hvordan det gikk da vi testet skiene her: 

PS. filmen er spilt inn før smitteverntiltakene i forbindelse med Korona ble iverksatt. Det er heller ikke tillatt med mat inn på SNØ, men vi fikk heldigvis godkjennelse til denne filmen. 

Uten at jeg helt husker hvordan det skjedde, satt vi plutselig i møte med Mathias og Anders på telefon. Vi diskuterte skolegang, skisporten og hva Labben vår kunne tilby. Vi drodlet litt rundt utfordringer og muligheter for effektivisering.  

Disse utfordringene ble så gruppert i gruppene:

  • Før løp
  • Underveis
  • Etter løp

Martin Gravråk og jeg har jobbet sammen tidligere, blant annet med Zero Waste for Viasat, første variant av Trappeløp som ble laget på 45 minutter, Roboten Arm som ble vist på Praktisk Info med Jon Almaas og diverse andre store og små prosjekter. Vi er et godt team, både til å utføre jobben og påpeke den andres tabber med et smil. Nå skulle vi igjen teame opp for å se om vi kunne hjelpe skiløperne på noen som helst måte.

Sensorer

Ettersom vi mener at alt blir bedre med internett, så koblet vil selvfølgelig ski og staver til nett. For å unngå mest mulig last på skiene, brukte vi de minste sensorene vi fant: en bitteliten 9-aksers IMU (Inertial measurement unit), med Bluetooth som inkludert batteriet veide under 6 gram.

 

 

Sensoren måler akselerasjon, orientering, kompassretning og temperatur flere hundre ganger i sekundet, på både ski og staver. Dataen håper vi kan fortelle oss mer om hvordan gå raskere på ski.

Glid

Det første vi vil prøve å bruke sensorene til er å måle glid på skiene. Per dags dato testes glid manuelt før løp, ved at man renner ned en liten bakke og ser hvilke ski som er raskest. Med akselerometer og gyroskoper bør vi i teorien være i stand til å måle glid gjennom hele løpet, ikke bare i den lille bakken før start. Planen er å måle hvor mye kraft som blir tilført hver ski i frasparket, og hvor mye de mister til friksjon (dårlig glid).

Støy og filtrering

Utfordringen med å måle glid på denne måten er om sensorene vi bruker er nøyaktige nok. For en kjapp test innendørs teiper vi en av sensorene fast på taket til en lekebil og sendte den bortover gulvet. Planen var å se om vi kunne måle hvor god «glid» den hadde, før vi prøvde oss på ekte ski og våt kald snø.

 

 

Ved første forsøk så det ikke spesielt lovende ut. Mer støy enn data.

Etter ganske mye filtreringsmagi i Python så ser det litt mer lovende ut

Når vi dytter fart på bilen går verdien i grafen nedover (hvis vi hadde montert sensoren den andre veien eller tatt oss tid til å snu litt på aksene hadde nok denne grafen vært litt enklere å forstå). Etter at vi slipper bilen så begynner den med en gang å bremse ned helt til den til slutt stopper helt opp. Vinkelen på grafen sier dermed noe om hvor stor friksjon bilen har. Dette bør være direkte overførbart til ski. Det store spørsmålet er om målingene blir nøyaktige nok til å se forskjell på gode ski, og veldig gode ski. Den enkleste måten å finne ut av det på er med ski, på snø.

Veien videre:

Grunnet den pågående pandemien har vi ikke fått ferdigstilt analysen av dataene fra Snø enda, men vi er minst like spente som dere på resultatet. Så snart vi har funnet ut mer kommer vi til å publisere fortsettelsen på Bouvet deler.