SmartSport: mensen tellen ontmoet grote taalmodellen voor slim facilitair beheer

Waarom slimere sportruimtes ertoe doen

In veel steden verschijnen voortdurend nieuwe parken, sportvelden en fitnessroutes, maar toch zitten basketbalvelden vaak vol terwijl nabije wandelpaden leeg blijven. Die mismatch verspil t publieke middelen en frustreert bewoners die gewoon een eerlijke kans willen hebben om te sporten. De SmartSport-studie introduceert een manier om camera’s en geavanceerde AI te gebruiken om te meten hoe publieke sportvoorzieningen werkelijk worden gebruikt en die cijfers vervolgens om te zetten in concrete adviezen voor stadsbeheerders. Het doel is eenvoudig: gemeenschappen helpen meer gezondheid en plezier uit de ruimtes te halen die ze al hebben.

Van clipboards naar continue detectie

Vandaag de dag vertrouwen veel steden nog op medewerkers met clipboards of incidentele enquêtes om in te schatten hoe druk een veld of een hardloopbaan is. Deze methoden leveren slechts korte momentopnames op, missen veel locaties en zijn te traag om dagelijkse beslissingen te sturen. Ze slagen er ook niet goed in om uit te leggen waarom sommige voorzieningen overbelast zijn terwijl andere bijna leeg blijven. SmartSport vervangt deze versnipperde inspanningen door een geautomatiseerd systeem dat faciliteiten bewaakt via vaste camera’s, telt hoeveel mensen er over tijd aanwezig zijn en die informatie combineert met kaarten, bevolkingsgegevens en andere context.

Computers leren mensen eerlijk te zien

Het eerste deel van SmartSport, CrowdVision genoemd, richt zich op het waarnemen en tellen van mensen in open sportgebieden zoals buitenvelden, velden en fitnessroutes. In plaats van gezichten of identiteit te volgen, zoekt het naar kleine visuele aanwijzingen die op een persoon wijzen in een brede scène, zoals kleine figuurtjes ver op de achtergrond of gedeeltelijk verborgen door anderen. De onderzoekers ontwierpen een compacte visienetwerk dat beelden vanuit verschillende richtingen kan scannen, patronen door de hele scène kan samenvoegen en mensen op zeer verschillende groottes in hetzelfde kader kan verwerken. Het stelt elke persoon voor als een punt in plaats van een begrenzingsvak, wat het gemakkelijker maakt individuen nauwkeurig te lokaliseren in drukke settings terwijl het snel genoeg blijft om op goedkope edge-apparaten bij de camera te draaien.

Ruwe tellingen omzetten in betere beslissingen

Het tweede deel, LLM-Advisor, fungeert als digitaal adviseur voor facilitair beheerders. Het neemt de tijdreeksen van publiektellingen die door CrowdVision zijn geproduceerd en mengt die met andere informatie: waar elke voorziening in de stad ligt, wie er in de buurt woont, hoe goed bereikbaar het is met het openbaar vervoer en wat voor apparatuur beschikbaar is. Met behulp van grote taalmodellen— hetzelfde type AI dat moderne chatbots aandrijft— wordt het systeem gestuurd door zorgvuldig opgestelde prompts om een stap-voor-stap redeneerverloop te volgen. Het identificeert dagelijkse en wekelijkse patronen, signaleert tekenen van overbelasting of onderbenutting en stelt vervolgens praktische maatregelen voor, zoals het verschuiven van openingstijden, het upgraden van bepaalde velden of het toevoegen van nieuwe voorzieningen in onderbediende wijken. Een ondersteunende kennisbank met best practices en beleidsregels uit de praktijk helpt om deze suggesties verankerd te houden in professionele standaarden.

Aantonen dat het in de praktijk werkt

Om SmartSport te testen evalueerde het team CrowdVision op standaard datasets voor publieks­tellingen en op hun eigen collectie afbeeldingen van 15 publieke sportvoorzieningen. De visiemodule behaalde een tel­nauwkeurigheid van ongeveer 94 procent in deze echte sportsituaties, waarmee hij meerdere recente onderzoeksmethoden overtrof terwijl hij ook efficiënt genoeg draaide voor realtime monitoring. Voor de aanbevelingskant vroegen de auteurs 12 experts in facilitair sportbeheer om blind meer dan 250 door AI gegenereerde rapporten te beoordelen. Gemiddeld gaven de experts het advies een 4,2 van de 5 voor algemene kwaliteit, waarbij ze de volledigheid en logische redenering prezen en opmerken dat zeer gedetailleerde, locatie­specificieke voorstellen nog uitdagend blijven. Samen suggereren deze resultaten dat SmartSport zowel het gebruik betrouwbaar kan meten als beheersinzichten kan leveren die professionals echt nuttig vinden.

Wat dit betekent voor dagelijkse gebruikers

Voor bewoners is de belofte van SmartSport niet meer schermen of gadgets, maar beter beheerde parken en velden. Door stilletjes te tellen hoeveel mensen elke voorziening gebruiken en wanneer, zonder bij te houden wie ze zijn, helpt het systeem stadsbestuurders te zien welke ruimtes investering tekortkomen en welke kansen onbenut blijven. Na verloop van tijd kan dit zich vertalen in kortere wachttijden bij populaire velden, beter geplaatste wandelpaden en oefenstations en schema’s die aansluiten op lokale routines. Hoewel de auteurs opmerken dat toekomstig werk extreme lichtomstandigheden, privacy­waarborgen en diepgaander gedragsbegrip moet aanpakken, toont hun studie aan dat het koppelen van computer­visie aan taalgebaseerde redenering het beheer van publieke sportvoorzieningen van giswerk naar op bewijs gebaseerde, stadsbrede planning kan brengen.

Bronvermelding: Li, P., Xu, C. SmartSport: crowd counting meets large language models for smart facility management. Sci Rep 16, 13991 (2026). https://doi.org/10.1038/s41598-026-44145-9

Trefwoorden: publieke sportvoorzieningen, publieks­telling, stedelijke AI, slimme stadsplanning, facilitair beheer