Geometrie. Signalverarbeitung. Maschinelles Lernen. Wie Flying Start vorhersagt, wann du die Startlinie überquerst — und was es von Hardware unterscheidet, die 50-mal mehr kostet.
Jede Time-To-Line-Berechnung beginnt mit einem Geometrieproblem. Deine GPS-Position ist ein Punkt. Dein Kurs über Grund definiert einen Strahl, der von diesem Punkt ausgeht. Die Startlinie ist ein Segment zwischen PIN- und RC-Boot. Wo sich diese zwei Linien treffen — und wie weit diese Kreuzung entfernt ist — bestimmt, wie lange es dauert, bis du überquerst.
Flying Start verwendet einen parametrischen Strahl-Segment-Schnittmengen-Algorithmus, um den genauen Punkt zu finden, an dem deine Trajektorie die Startlinie kreuzt. Im Gegensatz zu einer einfachen senkrechten Abstandsberechnung berücksichtigt dies den Winkel deines Anmarsches. Kurs 45 Grad zur Linie? Deine TTL ist länger als der gerade Abstand vermuten lässt. Paralleler Kurs? TTL ist undefiniert — du wirst niemals kreuzen.
Dies ist dieselbe fundamentale Geometrie, die dedizierte Instrumente wie der Velocitek ProStart und Vakaros Atlas 2 verwenden. Die Mathematik ist identisch. Was sich unterscheidet, ist die Genauigkeit der Eingaben.
GPS hat seinen schlechten Ruf aus Häuferschluchten. In einer Stadt prallen Signale von Gebäuden ab, und der Empfänger kann ein direktes Signal nicht von einem reflektierten unterscheiden. Das Ergebnis ist Mehrweg-Interferenz — Positionsfehler von 5–15 Metern.
Segeln ist das Gegenteil einer Stadt. Du bist auf flachem Wasser mit freiem Blick auf den gesamten Himmel. Es gibt nichts, wovon Signale abprallen könnten. Jedes Satellitensignal kommt sauber an.
Telefone mit Dual-Frequenz-GPS (L1+L5) erreichen 1–2 Meter Genauigkeit auf offenem Wasser. Das L5-Band fügt eine zweite Frequenz hinzu, die ionosphärische Fehler eliminiert und hilft, direkte Signale von Reflexionen zu unterscheiden. Auf dem Wasser kommt man damit nahe an die praktischen Grenzen von Consumer-GNSS. Telefone mit Einzel-Frequenz-GPS (nur L1) erreichen immer noch 3–5 Meter auf offenem Wasser — deutlich besser als in der Stadt.
iPhone: iPhone 15, 16 und 17 (alle Modelle) und iPhone 14 Pro / Pro Max. Standard iPhone 14 und iPhone SE sind nur L1.
Apple Watch: Ultra, Ultra 2 und Ultra 3. Standard Apple Watch (Series 9, 10, 11, SE) verwendet nur L1.
Android: Die meisten Flaggschiffe ab 2020 — darunter Pixel 5+, Samsung Galaxy S21+ und OnePlus 9+. Überprüfe die Spezifikationen deines Telefons auf "L5" oder "Dual-Frequenz"-GNSS.
Flying Start funktioniert auf allen GPS-fähigen Geräten. Dual-Frequenz gibt dir bessere Genauigkeit, aber der Kalman-Filter und das ML-Modell verbessern Vorhersagen unabhängig davon, welches Band deine Hardware unterstützt.
Dedizierte Hardware wie der Vakaros Atlas 2 hat einen Vorteil: 25 Hz Aktualisierungsraten und differentielle Korrekturen, die die Genauigkeit auf ~25 Zentimeter bringen. Das ist wirklich besser. Aber die Lücke ist enger als die meisten Menschen annehmen — und der verbleibende Unterschied kann in Software angegangen werden.
Der Vakaros Atlas 2 erreicht ~25 cm Genauigkeit mit Dual-Band-GNSS bei 25 Hz. Der Velocitek ProStart verwendet einen 25 Hz Multi-Konstellation-Empfänger mit WAAS-Augmentation. Beide sind für diese Aufgabe speziell gebaut, und für offizielles OCS-Calling auf Meisterschaftsniveau ist diese Präzision wichtig. Flying Starts Ansatz besteht darin, die Genauigkeitslücke durch Signalverarbeitung und maschinelles Lernen statt Hardware zu schließen.
Rohes GPS liefert dir eine Position einmal pro Sekunde. Zwischen diesen Updates bewegt sich die Welt weiter. Ein Boot mit 5 Knoten legt 2,5 Meter pro Sekunde zurück — und die GPS-Position, die du vor einer halben Sekunde erhalten hast, ist bereits veraltet. Schlimmer noch, aufeinanderfolgende GPS-Fixes springen zufällig innerhalb ihres Genauigkeitskreises, was Geschwindigkeits- und Kursablesungen nervös macht.
Dies ist die einzige größte Quelle der TTL-Instabilität in einem einfachen GPS-Instrument. Du berechnest TTL aus Geschwindigkeit und Kurs. Wenn die Geschwindigkeit zwischen 2,3 und 2,7 m/s von einem Fix zum nächsten schwankt, springt TTL bei jedem Update um mehrere Sekunden. Im Durchschnitt ist es korrekt, aber nutzlos für das Timing eines Starts.
Flying Start führt einen Erweiterten Kalman-Filter (EKF) aus, der beide Probleme gleichzeitig löst.
Der Filter hält einen sechsdimensionalen Zustand: Position, Geschwindigkeit und Beschleunigung in zwei Achsen. Viermal pro Sekunde sagt er voraus, wo das Boot basierend auf der Physik sein sollte — konstante Beschleunigungsextrapolation. Einmal pro Sekunde, wenn ein neuer GPS-Fix eintrifft, mischt er die Vorhersage mit der Messung und gewichtet jede nach ihrer Unsicherheit.
Hochgenaue GPS-Fixes ziehen den Zustand mehr. Schlechte Fixes ziehen ihn weniger. Zwischen Fixes füllt die Vorhersage die Lücken. Das Ergebnis: Position und Geschwindigkeit, die gleichmäßig mit 4 Hz aktualisieren statt mit 1 Hz zu springen.
Was das für TTL bedeutet: die Geschwindigkeit und der Kurs, die in die TTL-Berechnung einfließen, sind gefilterte, stabile Werte — kein rohes GPS-Rauschen. Der Filter verfolgt auch die Beschleunigung, sodass wenn du in eine Wende abbremst, die Zustandsschätzung dies widerspiegelt, anstatt konstante Geschwindigkeit anzunehmen.
Der EKF ist die einzige größte Verbesserung der TTL-Genauigkeit. Er eliminiert das Zittern, das Roh-GPS-TTL-Berechnungen unzuverlässig macht, glättet Geschwindigkeits- und Kursrauschen und füllt die 1 Hz-Lücken mit physikbasierter Vorhersage. Er ist vollständig deterministisch — keine Trainingsdaten nötig, keine Cloud-Abhängigkeit, funktioniert identisch auf iPhone, Apple Watch und Android. Diese eine Ebene schließt ungefähr 80% der Genauigkeitslücke zwischen einem Telefon und einem dedizierten 25 Hz-Instrument.
Der Kalman-Filter nimmt konstante Beschleunigung an. Das ist ein gutes Modell für ein Boot, das in gerader Linie segelt, aber es versagt in den Szenarien, die am wichtigsten sind: die letzten 30 Sekunden eines Startanmarsches, wenn Segler Geschwindigkeit anpassen, abfallen, anluven und wenden.
Flying Start verwendet ein 1D-Faltungs-neuronales Netzwerk, das vollständig auf deinem Gerät läuft, um vorherzusagen, was der Kalman-Filter falsch macht. Es ist auf Zehntausenden von simulierten Startanmärschen mit realistischer Segelphysik trainiert — Wenden, Geschwindigkeitsänderungen, Strömungseffekte, GPS-Rauschen — und lernt die Muster, die einfache Physikmodelle verpassen.
So funktioniert es: Das Modell betrachtet ein rollendes 30-Sekunden-Fenster deines Anmarsches — Geschwindigkeitsprofil, Kursänderungen, Beschleunigungsmuster, Abstand zur Linie, Annäherungsgeschwindigkeit und verbleibender Countdown. Es hat Tausende von simulierten Szenarien gesehen, in denen es die tatsächliche Überquerungszeit kennt, und hat gelernt, welche Muster der Kalman-Filter falsch einschätzt.
Wann es am meisten hilft: Das Modell fügt den größten Wert in den letzten 15–30 Sekunden vor einem Start hinzu, wenn du aktiv manövrierst. Ein Segler, der anluft, um Geschwindigkeit zu verringern, dann abfällt, um zu beschleunigen — der Kalman-Filter sagt basierend auf der aktuellen Beschleunigung voraus, aber das Modell erkennt das Muster und antizipiert die kommende Geschwindigkeitsänderung. In Testszenarien mit Wenden und Geschwindigkeitsänderungen reduziert die ML-Ebene den TTL-Fehler um 1–3 Sekunden im Vergleich zum Kalman-Filter allein.
Wann es nicht viel hilft: bei einem sauberen, geradlinigen Anmarsch mit gleichmäßiger Geschwindigkeit ist der Kalman-Filter bereits sehr genau. Das ML-Modell fügt in diesen Situationen nicht viel hinzu — und ist darauf ausgelegt. Die Korrektur ist auf ±30% der Kalman-TTL begrenzt, sodass das Modell die Schätzung verfeinern, aber niemals ein völlig falsches Ergebnis liefern kann.
Weder der Velocitek ProStart noch der Vakaros Atlas 2 verwendet maschinelles Lernen für TTL-Vorhersagen. Sie verlassen sich auf Kinematik: Distanz geteilt durch Geschwindigkeit. Das funktioniert gut mit 25 Hz-GPS, hat aber denselben blinden Fleck — es kann Manöver nicht antizipieren. Die ML-Ebene ist etwas, das Software tun kann, was Hardware nicht kann, weil sie sich mit der Zeit verbessert, wenn sie von mehr Daten lernt.
Das aktuelle Modell ist auf synthetischen Daten trainiert — computersimulierten Rennstarts mit realistischer Segelphysik. Es ist gut, aber Simulationen können nicht alles erfassen. Die Art, wie ein 420 eine Startlinie anmarscht, unterscheidet sich von einem J/70 oder einem Laser. Gezeitenmuster im Solent unterscheiden sich von der San Francisco Bay. Leichtwind-Starts sehen ganz anders aus als 25-Knoten-Luv-Starts.
Flying Start erfasst anonymisierte Timing-Metriken von echten Rennstarts — gefilterte Geschwindigkeit, Kurs, Abstand zur Linie und den tatsächlichen Moment der Überquerung — und verwendet diese Daten, um das Modell neu zu trainieren. Jeder Start, über jede Klasse und jeden Ort, macht die Vorhersagen für alle genauer.
Du musst nichts tun. Wenn die GPS-Streckenaufzeichnung aktiviert ist (sie ist es standardmäßig), tragen deine Starts automatisch zu den Trainingsdaten bei. Die Daten werden vor dem Training anonymisiert — keine Namen, keine Orte, nur die Form des Anmarsches und das Timing der Überquerung. Du kannst dich jederzeit in den Einstellungen abmelden.
Hardware-Instrumente können das nicht. Ein Velocitek ProStart hat keine Netzwerkverbindung und keine Möglichkeit, seine Algorithmen zu verbessern, nachdem er das Werk verlassen hat. Ein Vakaros Atlas 2 hat Konnektivität, aber seine TTL-Berechnung ist reine Kinematik — es gibt keine Lernschleife. Flying Starts Modell wird jede Saison besser.
Das Basismodell lernt von allen Seglern. Aber deine Starts haben Muster, die einzigartig für dich sind — wie aggressiv du in den letzten 10 Sekunden beschleunigst, wie viel Geschwindigkeit du in einer Wende verlierst, wie früh du deinen finalen Anmarsch beginnst.
Apples Core ML-Framework unterstützt On-Device-Modell-Updates via MLUpdateTask auf dem iPhone. Das bedeutet, Flying Start kann das Basismodell auf deine spezifischen Muster nach 20–30 Starts feinabstimmen — ohne Daten an einen Server zu senden. Die Personalisierung geschieht vollständig auf deinem Telefon.
Nach genug Starts werden deine TTL-Vorhersagen nicht nur widerspiegeln, wie ein durchschnittlicher Segler eine Startlinie anmarscht. Sie werden widerspiegeln, wie you du es anmarschierst — dein Boot, dein Stil, deine Tendenzen.
On-Device-Personalisierung erfordert ein iPhone. Apple Watch kann das personalisierte Modell (vom gekoppelten iPhone synchronisiert) ausführen, aber kann das On-Device-Training selbst nicht durchführen. Android-Unterstützung hängt von äquivalenten On-Device-Trainings-Frameworks ab. Personalisierung braucht genug Daten — die ersten 20–30 Starts verwenden das Basismodell, bevor die Personalisierung einsetzt.
Wir sind Ingenieure. Wir glauben an ehrliche Vergleiche. Hier ist, was ein $1.000-Instrument dir gibt, das Software allein nicht replizieren kann.
Der Vakaros Atlas 2 erreicht ~25 cm Genauigkeit mit 25 Hz Dual-Band-GNSS und Echtzeit-Differentialkorrekturen. Selbst mit unserem Kalman-Filter hat ein Telefon-GPS einen Rauschboden von 1–2 Metern. Für offizielles OCS-Calling auf Schiedsrichter-Niveau auf Meisterschaftsniveau — wo Zentimeter bestimmen, ob du startest oder aussitzt — hat dedizierte Hardware den Vorteil.
25 Hz bedeutet einen neuen Positionsfix alle 40 Millisekunden. Telefon-GPS läuft mit 1 Hz (ein Fix pro Sekunde). Unser Kalman-Filter interpoliert zwischen Fixes mit 4 Hz, aber es ist Vorhersage, keine Messung. In den letzten 3–5 Sekunden eines Starts, wenn sich die Dinge am schnellsten ändern, hat GPS mit höherer Rate einen inhärenten Vorteil.
Ein 4,4" sonnenlesbarer Bildschirm mit Gorilla Glass und 100-Stunden-Akku ist speziell für das Cockpit gebaut. Ein Telefon in einem wasserdichten Gehäuse ist gut, aber es ist immer noch ein Telefon. Apple Watch am Handgelenk ist wohl besser für kurze Blicke, aber der Bildschirm ist klein.
Lade Flying Start kostenlos herunter. Upgrade auf Premium für TTL, DTL, OCS-Warnungen, Startwertung, Apple Watch und alles andere.