本專案旨在解決高齡化社會中，長輩缺乏運動動機與數位落差的問題。我們開發了一套基於 AI 肢體辨識的互動遊戲系統，包含「記憶翻牌」與「瑜珈引導」，讓長輩在家中即可透過簡單的設備進行復健與運動。

在技術實作上，針對 OpenPose 模型在一般消費級筆電上運行緩慢（低 FPS）的痛點，本專案提出了一種**「雲端協同運算架構 (Cloud-Edge Collaboration)」**。前端設備僅負責影像採集與渲染，繁重的 AI 推論則透過 WebSocket 即時傳輸至 Google Cloud Platform (GCP) 上的 MobileNet + OpenPose 模型進行處理。此架構成功突破了地端硬體的算力限制，實現了跨平台的低延遲、高幀率即時互動體驗。

🛑 問題與挑戰 (The Problem)

在開發初期，我們面臨了兩個主要的技術挑戰：

  1. 算力瓶頸 (Hardware Limitation): OpenPose 雖然準確度高，但運算成本極大。在一般的非電競筆電（無獨立 GPU）上運行時，即便使用了輕量化的 MobileNet 作為骨幹，FPS 仍僅有個位數。這導致遊戲畫面嚴重延遲，極易造成使用者的「3D 暈」或操作挫折感。

  2. 即時性需求 (Real-time Requirement): 體感遊戲需要即時反饋（例如：手舉起來，畫面中的卡片就要馬上翻開）。若延遲 (Latency) 過高，遊戲的可玩性將趨近於零。

🛠️ 技術深度剖析 (Technical Deep Dive)

為了兼顧準確度與流暢度，我們將架構由「地端運算」轉型為「雲端串流運算」。

1. 核心模型：MobileNet + OpenPose

我們採用 MobileNet 作為 OpenPose 的特徵提取器 (Backbone)。MobileNet 的核心優勢在於使用了 深度可分離卷積 (Depthwise Separable Convolution)，大幅減少了參數與運算量。

假設輸入特徵圖大小為 $D_F \times D_F \times M$，卷積核大小為 $D_K \times D_K$，輸出通道數為 $N$。

  • 標準卷積運算量 (Standard Convolution): $$C_{std} = D_K \cdot D_K \cdot M \cdot N \cdot D_F \cdot D_F$$

  • 深度可分離卷積運算量 (Depthwise Separable Convolution): $$C_{depthwise} = D_K \cdot D_K \cdot M \cdot D_F \cdot D_F + M \cdot N \cdot D_F \cdot D_F$$

透過此公式可看出，MobileNet 將運算量降低了約 8~9 倍，這是在雲端能快速處理大量 Frame 的基礎。

2. 系統架構：雲端協同與 WebSocket (System Architecture)

為了解決地端算力不足，我設計了 Client-Server 分離架構：

  • Client 端 (地端筆電):
    • 角色：Thin Client (瘦客戶端)。
    • 任務：使用 OpenCV 讀取 Webcam 影像，將每一幀畫面壓縮（JPEG）並編碼，透過網路傳送。接收回傳的骨架資訊並繪製在畫面上。
  • Server 端 (Google Cloud Platform):
    • 角色：Inference Engine (推論引擎)。
    • 任務：接收影像流，執行 MobileNet + OpenPose 推論，計算人體 18 個關鍵點 (Keypoints) 的座標 $(x, y)$。
  • 通訊協定 (WebSocket):
    • 為了達到 Real-time，HTTP 的三向交握 (Handshake) 開銷太大。
    • 我們採用 WebSocket 全雙工通訊協定，建立一條持久連線 (Persistent Connection)，確保影像封包能以毫秒級的速度往返。

3. 遊戲邏輯與互動設計 (Game Logic)

透過 AI 識別出的骨架座標，我們將其映射到遊戲邏輯中：

  • 翻牌記憶遊戲 (Memory Card): 偵測「手腕 (Wrist)」節點的座標。當手腕座標停留在虛擬卡片區域超過 1 秒（Hover），即觸發「翻牌」事件。

  • 瑜珈模仿遊戲 (Yoga): 計算肢體角度的餘弦相似度 (Cosine Similarity)。例如計算「手肘-肩膀-臀部」的向量夾角，比對使用者與標準動作的差異，並給予評分。

📊 成果展示 (Results)

透過雲端運算的導入，我們成功將遊戲幀率 (FPS) 提升至流暢的可玩水準，並實現了跨平台支援。

1. 翻牌遊戲實測

Untitled Figure 1: 使用者透過手部動作隔空控制虛擬卡片。系統精確捕捉手腕位置，實現無接觸式互動。

2. 瑜珈遊戲實測

Untitled Figure 2: 系統即時比對使用者姿勢（黃色骨架）與標準動作（右上角圖示），並給予即時分數回饋。

結論 (Conclusion)

本專案證明了在硬體資源受限的場景下，透過合理的架構設計 (Architecture Design)——即將繁重的 AI 運算轉移至雲端，並利用 WebSocket 優化傳輸——能夠有效解決效能瓶頸。這不僅降低了使用者的硬體門檻（不需購買昂貴電腦），也為銀髮族提供了一種更易取得的居家運動方案。