Wide Open Gazes: Quantifying Visual Exploratory Behavior in Soccer with Pose Enhanced Positional Data

Each language version is independently generated for its own context, not a direct translation.

🧐 핵심 주제: "축구 선수는 공을 받기 전에 무엇을 보고 있을까?"

축구를 할 때, 선수가 공을 받기 직전 (동료에게 패스를 받을 때) 주변을 빠르게 두리번거리는 행동을 '시야 탐색 (Visual Exploratory Action)' 이라고 합니다. 예전에는 이걸 측정하는 방법이 아주 단순하고 문제가 많았어요.

1. 예전의 방식: "머리만 빠르게 돌리면 OK?" (기존의 한계)

과거에는 선수가 머리를 초당 125 도 이상 빠르게 돌리면 "시야를 넓게 썼다"고 간주했습니다.

문제점 1 (편견): 중앙 미드필더는 자주 돌아보지만, 수비수는 자주 안 돌아봐서 불공평했습니다.
문제점 2 (이분법): "돌았다 (O)" 아니면 "안 돌렸다 (X)"로만 나누어, 얼마나 잘 보았는지의 정교함을 놓쳤습니다.
문제점 3 (예측 실패): 머리를 많이 돌린다고 해서 반드시 좋은 플레이를 하는 건 아니라는 게 증명되었습니다.

2. 이 연구의 새로운 방식: "3D 안경과 가림막을 쓴 디지털 시뮬레이션"

이 연구는 ** pose estimation (자세 추정)** 기술을 이용해 선수의 머리와 어깨 각도를 정밀하게 추적합니다. 그리고 이를 바탕으로 다음과 같은 두 가지 '디지털 안경'을 선수가 끼고 있다고 상상합니다.

시야 지도 (Vision Map): 선수가 어디를 보고 있는지, 그리고 얼마나 선명하게 보고 있는지를 확률로 나타냅니다. (예: 멀리 있는 사람은 흐릿하게, 가까운 사람은 선명하게)
가림막 지도 (Occlusion Map): 다른 선수들이 시야를 가리는 정도를 계산합니다. (예: 내 앞쪽에 큰 수비수가 서 있으면 그 뒤는 보이지 않음)

이 두 지도를 합치면, 선수가 경기장에서 실제로 '볼 수 있는' 공간의 지도가 완성됩니다. 마치 게임 속 캐릭터가 가진 '시야 (Fog of War)'를 실시간으로 분석하는 것과 같습니다.

🎮 실험 과정: "눈을 잘 쓰는 선수가 더 좋은 위치를 찾는다?"

연구진은 2024 코파 아메리카 대회 데이터를 이용해 이 새로운 방식을 테스트했습니다.

상황 설정: 선수가 동료의 패스를 기다리는 순간 (Awaiting Phase) 을 포착합니다.
측정: 그 순간 선수가 어떤 공간을 얼마나 많이 보고 있었는지 계산합니다. (예: 적의 수비 공간이 보이는지, 아군의 공격 공간이 보이는지)
결과 확인: 공을 받은 후, 선수가 드리블을 하며 더 좋은 위치 (득점 확률이 높은 곳) 로 이동했는지 확인합니다.

🔍 놀라운 발견 (결과)

기존 방식 (머리 회전 횟수): 머리를 얼마나 많이 돌렸는지는 예측에 전혀 도움이 안 되었습니다. (머리만 돌린다고 해서 잘하는 게 아님)
새로운 방식 (시야의 질): 선수가 패스를 받기 전, 적의 수비 공간 (방어된 영역) 을 얼마나 잘 파악하고 있었는지가 중요했습니다.
- 비유: 마치 체스 선수가 상대방의 기물을 잘 파악하고 있어야 다음 수를 잘 두는 것과 같습니다.
- 결론: "무작정 주변을 두리번거리는 것"이 아니라, "어떤 공간을 집중해서 보았는가" 가 선수의 다음 플레이 성공률을 결정했습니다.

💡 이 연구가 왜 중요한가요? (일상적인 비유)

이 연구는 축구의 '눈' 을 다음과 같이 바꿉니다:

카운터 (Counting) 에서 카메라 (Camera) 로:
- 예전: "선수가 10 번 머리를 돌렸다" (단순 숫자 세기)
- 지금: "선수가 오른쪽 측면의 빈 공간을 80% 확률로 잘 보고 있었다" (정교한 분석)
모든 선수에게 공평하게:
- 수비수든 공격수든, 자신의 위치에서 어떤 정보를 얻었는지로 평가합니다.
미래를 예측하는 나침반:
- 이 기술을 통해 "이 선수가 공을 받으면 어디로 움직일지", "어떤 플레이를 성공시킬지"를 미리 예측할 수 있게 됩니다.

🏁 요약

이 논문은 "축구 선수가 머리를 빠르게 돌리는 것보다, 그 순간에 '무엇을' 그리고 '얼마나 잘' 보았는지가 훨씬 중요하다" 는 것을 증명했습니다.

마치 운전을 할 때, 핸들을 빠르게 꺾는 것 (머리 돌리기) 보다는 전방과 주변을 얼마나 명확하게 파악하고 있는지 (시야의 질) 가 사고를 예방하고 목적지에 잘 도착하게 하는 것과 같은 원리입니다. 이제 축구 분석은 단순히 '얼마나 많이 움직였는가'에서 '얼마나 똑똑하게 보았는가' 로 진화하고 있습니다.

Each language version is independently generated for its own context, not a direct translation.

1. 연구 배경 및 문제 제기 (Problem)

기존의 축구에서 시각적 탐색 행동 (Visual Exploratory Behavior, VEB) 을 측정하는 방식은 **시각적 탐색 행동 (VEA)**을 세는 방법에 의존해 왔습니다. 이는 주로 125°/s 를 초과하는 빠른 머리 움직임을 기준으로 합니다. 그러나 이 전통적인 방법론에는 다음과 같은 심각한 한계점이 존재합니다:

포지션 편향 (Position Bias): 주로 중앙 미드필더 등 빈번한 탐색이 필요한 포지션에 집중되어 다른 포지션의 데이터를 왜곡합니다.
이진 측정의 제약 (Binary Constraints): "스캔함/안 함"의 이진법적 접근으로, 시각 주의의 연속적인 성질과 데이터의 불확실성을 반영하지 못합니다.
수동 주석의 어려움: 수동으로 VEA 를 주석 (Annotation) 하는 것은 시간 소모가 크고 관찰자 간 편차 (Inter-observer variability) 가 큽니다.
예측력 부재: 기존 VEA 빈도는 경기 중 단기 성공 (예: 패스 성공률) 과의 통계적 유의성이 낮거나, 최상위권과 엘리트 선수 간 차이가 없어 성능 지표로서의 신뢰성이 의문시됩니다.
기존 분석 모델과의 비호환성: 피치 컨트롤 (Pitch Control) 이나 피치 밸류 (Pitch Value) 와 같은 현대 축구 분석 모델과 통합하기 어렵습니다.

2. 방법론 (Methodology)

이 연구는 2024 코파 아메리카의 32 경기 방송 추적 데이터 (25fps) 에 OpenPose 등의 기술을 통해 추출된 머리, 어깨, 골반 회전 각도를 결합한 '포즈 향상 (Pose-Enhanced)' 데이터를 활용합니다.

A. 확률적 시각 레이어 (Stochastic Vision Layer) 구축

각 선수의 시각적 인식을 2 차원 평면 (그리드) 상의 확률 분포로 모델링합니다. 이는 두 가지 구성 요소로 나뉩니다.

확률적 시야 (Probabilistic Field of View, $V_\rho$ ):
- 머리의 방향을 눈의 방향의 대리 변수 (Proxy) 로 사용합니다.
- 거리 감쇠: 선수의 속도 ( $v$ ) 가 빠를수록 공간 인식력이 떨어지고 시야가 좁아진다는 가정을 바탕으로, 거리 ( $d$ ) 가 멀어질수록 시야 확률이 감쇠하는 가우시안 함수를 적용합니다.
- 각도 감쇠: 시야 중심에서 벗어날수록 (주변 시야) 인식 확률이 감소하는 가우시안 함수를 적용합니다.
- 결과적으로 선수의 속도에 따라 동적으로 변하는 시야 맵이 생성됩니다.
확률적 가림 (Probabilistic Occlusion, $V_\Phi$ ):
- 다른 선수들이 시야를 가리는 효과를 모델링합니다.
- 어깨 회전 각도 ( $\theta_s$ ): 가리는 선수의 어깨 방향에 따라 가림 효과가 달라집니다 (예: 정면보다 옆모습이 시야를 덜 가림).
- 확률적 광선 (Probabilistic Ray): 관찰자 ( $i$ ) 와 가리는 대상 ( $j$ ) 사이의 각도와 거리를 고려하여 가림 영역을 계산합니다.
- 모든 다른 선수들의 가림 맵을 곱하여 최종 가림 맵을 생성합니다.
완전한 시각 맵 (Total Vision Map, $V_i$ ):
- 시야 맵 ( $V_\rho$ ) 과 가림 맵 ( $V_\Phi$ ) 을 요소별 행렬 곱셈 (Element-wise multiplication) 하여 최종 시각 맵을 완성합니다.

B. 피치 컨트롤 및 피치 밸류와의 통합

임박한 피치 컨트롤 (Imminent Pitch Control): 기존 Fernández & Bornn 의 피치 컨트롤 모델을 수정하여, 선수가 매우 짧은 시간 내에 도달할 수 있는 영역 (즉각적인 통제력) 을 계산합니다.
피치 밸류 (Pitch Value): 공의 위치와 수비 팀의 배치로부터 학습된 신경망을 통해 각 공간의 전략적 가치를 산출합니다.
통합 분석: 생성된 시각 맵을 피치 컨트롤 및 피치 밸류 맵과 결합하여, 선수가 공을 기다리는 동안 (Awaiting Phase) 어떤 공간 (특히 수비 진영의 통제 영역) 을 얼마나 많이 관찰했는지 정량화합니다.

3. 주요 기여 (Key Contributions)

새로운 정량화 프레임워크: 수동 주석 없이 포즈 데이터를 기반으로 한 연속적인 (Continuous) 시각 탐색 행동 측정 모델을 처음 제안했습니다.
포지션 무관성: 선수의 포지션에 상관없이 모든 선수에게 적용 가능한 보편적인 메트릭을 제공합니다.
기존 분석 모델과의 호환성: 피치 컨트롤, 피치 밸류, SoccerMap 등 기존 축구 분석 프레임워크와 원활하게 통합되도록 설계되었습니다.
오픈 소스 도구: 연구의 재현성을 위해 필요한 계산 도구와 코드를 오픈 소스로 공개했습니다.

4. 검증 결과 (Results)

연구팀은 2024 코파 아메리카 데이터 (약 14,000 개의 '공을 기다리는 순간' 및 이후의 드리블 행동) 를 사용하여 XGBoost 분류 모델을 통해 검증했습니다.

실험 설계:
- 레이블: 공을 받은 후 드리블을 마쳤을 때, 선수가 통제한 공간의 가치 (Pitch Value) 가 유의미하게 증가했는지 (1) 감소했는지 (0) 를 이진 분류합니다.
- 모델 비교:
  1. 베이스라인 (골대까지 거리 등)
  2. 전통적 VEA 모델 (머리 회전 속도 기반)
  3. 일반 모델 (위치, 속도, 포지션 등)
  4. 비전 모델 (Vision Model): 제안된 시각 맵 기반 특징을 추가한 모델.
성능 지표:
- 전통적 VEA 모델: 베이스라인과 비교해 성능 향상 (AUC) 이 없었으며, 기존 VEA 가 성능 지표로서 무의미함을 재확인했습니다.
- 비전 모델: 일반 모델의 AUC 를 0.744 에서 0.788 로 유의미하게 향상시켰습니다.
SHAP 값 분석 (특징 중요도):
- 긍정적 영향: 공을 기다리는 동안 **수비 진영이 통제하는 공간 (Defensive Controlled Space)**을 많이 관찰한 선수일수록, 이후 드리블을 통해 더 가치 있는 공간으로 이동할 확률이 높았습니다.
- 부정적/중립적 영향: 단순히 시야를 많이 넓게 쓰는 것 (Field of View) 자체는 결과와 무관했으며, 전통적 VEA 횟수는 예측에 전혀 영향을 미치지 않았습니다.

5. 의의 및 결론 (Significance)

이 연구는 축구 분석에서 시각적 인식을 단순한 '머리 움직임'이 아닌, '관찰된 공간의 질적 가치'로 재정의했습니다.

실용성: 코치와 분석가들은 선수들이 공을 받을 때 어떤 공간 (특히 수비 진영의 빈 공간이나 통제 영역) 을 주시하는지 정량적으로 평가할 수 있게 되었습니다.
예측력: 선수의 시각적 탐색 행동이 이후의 드리블 성공 및 공간 창출 능력과 강한 상관관계가 있음을 입증했습니다.
확장성: 이 방법론은 축구뿐만 아니라 미식축구, 농구 등 다른 침입형 스포츠 (Invasion Sports) 로도 확장 적용될 수 있는 잠재력을 가지고 있습니다.

결론적으로, 이 논문은 포즈 추정 기술과 공간 분석 모델을 결합하여 축구 선수의 인지적 능력을 객관적이고 연속적으로 측정하는 새로운 표준을 제시했습니다.