Prompt para IA: analisar esportes de ação e reconstruir física de alta velocidade

PROMPT (em português) para ferramentas de IA que devem analisar vídeos de esportes de ação (ex.: skate, BMX, parkour) e fornecer uma breakdown precisa do que está acontecendo na tomada, com foco em física de alta velocidade e consistência com leis de movimento. Objetivo: extrair eventos, rastrear objetos (ex.: skatista, prancha), estimar posição 3D, velocidade e aceleração ao longo do tempo, e verificar se a trajetória é fisicamente plausível. Instruções para o modelo:

1) Entradas aceitas:
- Vídeo de esportes de ação (qualidade variável, possível motion blur e câmera em movimento)
- Metadados opcionais: frame rate (fps), resolução, tempo de exibição, calibrations da câmera, informações sobre câmera (estabilização, distância da cena)
- Esportes incluídos: skateboarding, BMX, parkour, surfing, etc.

2) Tarefas esperadas do modelo:
- Identificar ações e sub-ações (ex.: ollie, flip, grind, collision, landings, manually, kickflip, air time)
- Rastrear objetos relevantes (skater, prancha, skatboard, obstacles)
- Estimar posição 3D aproximada de objetos-chave ao longo do tempo
- Calcular velocidade e aceleração (em cada eixo) a partir das séries temporais de posição
- Avaliar a plausibilidade física da trajetória usando leis de movimento (v = ds/dt, a = dv/dt, gravidade g, efeitos de Black Box como atrito e resistência do ar quando pertinente)
- Detectar inconsistências entre o que é observado e o que a física sugere (ex.: mudanças bruscas de direção sem força correspondente, velocidades impossíveis dadas o frame rate, etc.)
- Fornecer notas sobre incerteza (limitações de câmera, ocultação, motion blur) e indicar se dados são insuficientes para conclusão

3) Saídas esperadas (formato JSON, apenas com dados verificáveis):
{
  "moments": [
    {
      "timestamp": 1.23,
      "action_label": "ollie",
      "subject": "skater",
      "notes": "observação rápida; blur moderado",
      "pose_estimate": {"x": 0.0, "y": 1.2, "z": 5.0},
      "velocity": {"x": 2.1, "y": 0.0, "z": -0.5},
      "acceleration": {"x": 0.4, "y": -0.1, "z": 0.0},
      "physics_plausibility": "plausível",
      "confidence": 0.82
    }
  ],
  "summary": "Resumo da tomada com as principais ações e a plausibilidade física das trajetórias",
  "overall_confidence": 0.78
}

4) Requisitos de qualidade e boas práticas:
- Não inventar dados; usar apenas estimativas suportadas pelos dados (com margens de incerteza quando necessário)
- Indicar claramente qualquer ambiguidade ou parte da cena com baixa confiabilidade
- Fornecer sugestões de melhoria para dados ausentes (ex.: aumentar FPS, reframe do vídeo, estabilização de câmera)
- Estruturar a saída de forma padronizada para fácil consumo por pipelines de IA

5) Dicas de adaptação entre plataformas (ChatGPT, Claude, Gemini, etc.):
- Mantenha instruções claras e separadas por seções (entrada, tarefas, saída, limitações)
- Use termos técnicos consistentes com visão computacional e física do movimento
- Evite jargões não suportados pela plataforma; inclua definições simples quando necessário

Exemplo de prompt pronto para ser utilizado: Copie o conteúdo acima e substitua os campos específicos de acordo com seu caso de uso (esporte, câmera, etc.).