Skate Sense

Skate Sense ist eine webbasierte Anwendung zur Unterstützung von Lernprozessen im Skateboarding. Mithilfe videobasierter Bewegungsanalyse, markerloser Pose Estimation und visuellem Feedback werden Skateboard Tricks analysiert und Abweichungen sowie Verbesserungsvorschläge direkt im Video dargestellt. Ziel ist es, Anfänger*innen ein verständliches, körpernahes Feedback zu liefern.

1. Bachelor Exposé

PDF

2. Präsentation meines Themas

PDF

3. Zeitplan

4. Research

4.1 Technik und Methodik

4.2 Lernlogistik und Feedback

4.3 Sozialer Kontext und Ethik

4.4 State of the Art

4.5 Technische Tools und Systeme

5. Umsetzungsmöglichkeiten

6. Why, How, What?

7. Zielgruppen und Sinus Milieu

7.1 Primäre Zielgruppen

7.2 Sekundäre Zielgruppen

7.3 Sinus Milieus

8. Umfrage

8.1 Übersicht

PDF

Umfrage_ Skate Helper – Ein digitaler Helfer für Skateboardanfänger_innen - Google Forms Kopie.pdf

8.2 Ergebnisse

PDF

9. Personas

9.1 Primäre Zielgruppen

9.2 Sekundäre Zielgruppen

10. User Stories

11. User Journeys

12. Funktionsbeschreibungen

12.1 Komplett

Bachelor - Funktionsbeschreibung Komplett.jpg

12.2 Realistisch mit Sensor

Bachelor - Funktionsbeschreibung Realistisch mit Sensor.jpg

12.3 Realistisch ohne Sensor

Bachelor - Funktionsbeschreibung Realistisch ohne Sensor.jpg

13. Skizzierter Workflow der Anwendung

Bachelor - Copy of Workflow der Anwendung.jpg

14. Wireframes

Eine komplette Übersicht des Wireframe Kits in Webflow: https://skate-helper-ba.webflow.io/

15. Moodboards

15.1 Clean und sportlich

15.2 Grunge und punkig

16. Designvarianten

16.1 Clean

16.2 Grunge

17. Finales Design der Web App

Links zu Webflow

Launch: https://skate-helper-ba-de60203d8213528f393ae25.webflow.io/launch-1

Home: https://skate-helper-ba-de60203d8213528f393ae25.webflow.io/

Screenshots

Styleguide

18. Entwicklung Interface

Das Analyse Interface mit Python in einem Jupyter Notebooks umgesetzt und als Entwicklungs- und Darstellungsumgebung genutzt. Das Notebook ist modular strukturiert aufgebaut und trennt Interface Komponenten wie Videoverarbeitung, Parametersteuerung und Ergebnisvisualisierung von der Analyse Logik, damit visuelle Anpassungen unabhängig von der Pipeline erfolgen konnten.

Die Visualisierung des Feedbacks wird direkt im Videobild realisiert und umfasst Skelett-, Ghost-Pose- und Richtung Overlays. Die Umsetzung erfolgt über Python basierte Visualisierungsroutinen und OpenCV, die im Notebook erzeugt, angepasst und überprüft werden. Das Notebook dient sowohl als technische Entwicklungsumgebung als auch als prototypisches Analyse Interface.