Flutter 实现本地实时健身识别的避坑指南

我最初的思路非常理想化：直接调 Pose 模型拿到关节坐标，用几何算法算膝盖夹角。只要角度低于阈值，就判定动作完成。结果真机测试时发现，2D 摄像头的透视误差能把几何逻辑玩死。用户手机放得稍微歪一点，原本 90 度的深蹲在画面里可能看起来像 150 度，算法要么直接罢工漏记，要么疯狂双倍计数。

针对这种“坐标骗局”，我尝试过用身体直线逻辑去判定俯卧撑，依然无法解决投影失真的问题。后来我换了个思路，不再死磕关节角度，而是通过追踪躯干轴线的朝向向量，来判断用户是在站立还是处于水平俯卧姿态。这种从“几何计算”转向“信号处理”的做法，在实际业务场景下的鲁棒性明显更高。

目前的技术方案是：
1. 框架：Flutter
2. 推理引擎：tflite_flutter
3. 处理逻辑：所有姿态识别完全在设备端完成，不传回服务器，兼顾隐私与响应速度。

顺便提个问题：如果要在低端机上跑这种实时向量计算，大家会优先考虑降低采样帧率，还是降低模型分辨率？

代码逻辑中我特意留了一个 debug 开关，用于在真机上实时切换不同的信号处理算法进行 A/B 测试。做移动端 ML 开发，本质上是在处理带有噪声的信号，而不是在做纯数学题。