Right Move, Right Time: Multi-Sport Space Evaluation Platform for Ultimate Frisbee, Basketball, and Soccer

이 논문은 프로 스포츠 (언리미티드 프리스비, 농구, 축구) 간에 공통적으로 적용 가능한 오픈 플랫폼을 제시하여, 오프볼 런의 타이밍과 사용 가능한 공간에 대한 일관된 공간 평가를 가능하게 한다는 점을 설명합니다.

핵심

🏆 핵심 아이디어: "모든 스포츠는 같은 '빈 공간'을 찾아야 한다"

코치들이 경기 영상을 볼 때 가장 많이 하는 고민은 같습니다.

"공을 가진 선수가 아닌, **공을 받지 않는 선수 (오프볼)**가 언제, 어디로 뛰어야 상대 수비를 뚫고 좋은 기회를 만들 수 있을까?"

지금까지 이 질문은 스포츠마다 다른 도구와 언어로 따로따로 분석되었습니다. 농구는 농구대로, 축구는 축구대로 말이죠. 하지만 이 연구팀은 **"이 모든 스포츠는 사실 같은 원리 (공간과 타이밍) 로 작동한다"**고 주장하며, 이를 하나로 통합하는 플랫폼을 만들었습니다.

🛠️ 이 플랫폼이 하는 일: "요리사들의 공통 레시피"

이 플랫폼은 마치 다른 나라의 재료를 한 가지 표준화된 냄비에서 요리하는 방법을 알려주는 요리책과 같습니다.

1. 재료 정리 (데이터 전처리):

   • 농구, 축구, 얼티밋 프리스비는 경기장 크기, 선수 수, 공의 움직임이 다릅니다. 이 플랫폼은 이 모든 '다른 재료들'을 하나의 표준 접시에 담아줍니다.
   • 비유: 미국식 스테이크, 일본식 회, 한국식 불고기가 다 다르지만, 이 플랫폼은 모두 '고기'라는 공통점을 찾아 영양성분표 (데이터) 를 통일된 형태로 만들어줍니다.

2. 공간과 타이밍 측정 (SpaceEval):

   • 단순히 "공을 쫓아가는 것"이 아니라, **"언제 움직여야 가장 좋은 자리를 차지할 수 있는지"**를 계산합니다.
   • 비유: 식당에서 손님이 들어오기 전에 테이블을 정리하는 일입니다. "지금 바로 서빙하면 (타이밍) 손님이 앉기 좋은 자리 (공간) 가 있을까?"를 미리 계산해 주는 거죠.

🧪 실험실: 얼티밋 프리스비로 시작해 농구와 축구로 확장

연구팀은 먼저 얼티밋 프리스비를 실험실 (테스트베드) 로 삼았습니다.

• 왜 얼티밋 프리스비인가? 이 스포츠는 드리블이 금지되어 있고, 공을 던진 후 7 초 안에 다음 플레이를 해야 하므로 '타이밍'이 생명입니다. 마치 정해진 시간 안에 요리해야 하는 요리 경연대회처럼, 타이밍이 조금만 늦어도 실패합니다.
• 실험 결과: 선수들이 "조금 더 일찍 뛰었으면 어땠을까?"라고 가상의 시나리오 (Counterfactual) 를 돌려봤을 때, 타이밍을 1 초만 늦추거나 당겨도 공간 활용도가 확 달라지는 것을 증명했습니다.

🌍 확장: 농구에서 배운 것을 축구에 적용하다

이제 이 플랫폼을 농구와 축구에 적용해 보았습니다.

• 농구 모델 (BIMOS): 농구는 드리블이 가능하고 공을 가로챌 수 있다는 점이 특징입니다. 이 모델을 축구 데이터에 가져와 봤습니다.
• 결과: 기존의 축구 분석 모델 (OBSO) 보다 농구에서 개발된 모델이 실제 득점 확률을 더 정확하게 예측했습니다.
• 비유: 마치 "비행기 (농구) 의 공기역학 원리를 배워서, 더 정교한 드론 (축구) 의 비행 경로를 예측하는 것"과 같습니다. 공이 날아가는 경로에서 수비수가 어떻게 끼어들 수 있는지 더 잘 파악한 것입니다.

💡 이 연구가 우리에게 주는 메시지

1. 통일된 언어: 이제 농구 코치와 축구 코치가 서로의 전술을 더 쉽게 이해할 수 있게 되었습니다. "공간을 창출한다"는 개념이 스포츠를 초월하기 때문입니다.
2. 타이밍의 중요성: 단순히 "어디로 뛰느냐"보다 **"언제 뛰느냐"**가 승패를 가르는 핵심 요소임을 수치로 증명했습니다.
3. 미래의 가능성: 이 플랫폼은 얼티밋, 농구, 축구뿐만 아니라 하키나 럭비 같은 다른 스포츠로도 쉽게 확장될 수 있습니다.

🚀 결론

이 논문은 **"스포츠는 달라도, 공간을 읽고 타이밍을 잡는 원리는 같다"**는 사실을 증명하고, 이를 분석할 수 있는 **공통된 도구 (OpenSTARLab)**를 세상에 내놓았습니다.

앞으로 코치들은 더 이상 각 스포츠마다 다른 복잡한 도구를 쓸 필요가 없습니다. 이 하나의 플랫폼을 통해 **"지금 이 순간, 선수가 뛰어야 할 가장 완벽한 타이밍과 공간"**을 찾아낼 수 있게 된 것입니다. 마치 모든 스포츠를 하나의 거대한 게임으로 보고, 그 게임의 규칙을 통째로 이해하게 된 것과 같습니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 핵심 문제: 농구, 축구, 얼티밋 프리스비 (Ultimate Frisbee) 와 같은 점유 기반 침투 스포츠 (Possession-based invasion sports) 에서 코치와 분석가들은 공통된 질문을 던집니다. "사용 가능한 공간 (Usable Space) 은 어디에 있으며, 공을 소유하지 않은 선수 (Off-ball player) 가 언제 움직임 (런/컷) 을 시작해야 하는가?"
• 현재의 한계:
  • 스포츠별 고립 (Silo): 각 스포츠마다 고유한 워크플로우와 분석 모델이 존재하여 (예: 농구의 BIMOS, 축구의 OBSO, 얼티밋의 CRSV), 결과물을 직접 비교하거나 재사용하기 어렵습니다.
  • 이질성 (Heterogeneity): 경기장 기하학, 이벤트 용어, 샘플링 주기가 스포츠마다 달라 ' apples-to-apples' 비교가 어렵습니다.
  • 타이밍의 부재: 대부분의 기존 모델은 '어디에' 공간이 있는지 (공간 가치) 에 초점을 맞추지만, '언제' 움직임을 시작해야 하는지 (타이밍) 를 정량화하는 분석은 부족합니다. 특히 얼티밋 프리스비와 같이 드리블이 금지된 스포츠에서는 타이밍이 결정적이지만 이를 분석할 표준이 부재했습니다.
  • 이전 (Transfer) 의 어려움: 한 스포츠에서 훈련된 모델은 다른 스포츠로 전환될 때 재조정 (Retuning) 없이는 작동하지 않으며, 검증 기준이 없습니다.

2. 방법론 (Methodology)

이 논문은 스포츠에 구애받지 않는 (Sport-agnostic) 오픈 소스 플랫폼인 OpenSTARLab을 기반으로 한 통합 분석 파이프라인을 제안합니다.

2.1 데이터 전처리 (Preprocessing Package)

• 목적: 다양한 스포츠 (축구, 농구, 얼티밋) 의 추적 데이터와 이벤트 로그를 통일된 'Space Data' 형식으로 변환합니다.
• 기능:
  • 메타데이터, 팀/선수 정보, 경기장 차원, 프레임별 좌표 데이터를 통합하는 Space 클래스 제공.
  • 좌표계 정렬, 결측치 처리, 이벤트와 추적 데이터 매칭을 자동화하여 하위 분석 모듈과 호환되도록 표준화합니다.

2.2 공간 평가 프레임워크 (SpaceEval Package)

세 가지 주요 프레임워크를 통합하여 제공합니다.

1. OBSO (Off-ball Scoring Opportunity):
   • Spearman (2018) 의 모델을 기반으로 공격팀이 다음 공 소유 행동으로 득점할 확률을 계산합니다.
   • 위치별 도달 확률 (PPCF) 과 득점 확률을 결합하여 공간의 가치를 평가합니다.
2. CRSV (Counterfactual-Ready Space Value):
   • 얼티밋 프리스비 특화: 움직임 시작 타이밍을 변수로 한 반사실적 (Counterfactual) 분석이 가능합니다.
   • wUPPCF (Weighted Ultimate PPCF): 수신자의 도달 가능성에 거리 (던지기 난이도) 와 마커 (수비자) 의 방해 요인을 가중치로 적용합니다.
   • 타이밍 시뮬레이션: 수신자의 움직임 시작 시점을 앞당기거나 늦추어 (Counterfactual) 공간 가치의 변화를 측정합니다. 이를 통해 V_timing (실제 타이밍의 최적성) 을 계산합니다.
3. BIMOS (Ball Intercept and Movement for Off-ball Scoring):
   • 농구 모델 (Kono & Fujii, 2024) 을 기반으로 하며, 드리블과 인터셉션을 고려합니다.
   • PBCF (Potential Ball Control Field): 고정된 목표 지점이 아닌, 공이 이동하는 동적인 경로상에서 누가 공을 먼저 제어할 수 있는지 계산합니다. 이는 OBSO 의 정적 목표 가정보다 수비 개입 가능성을 더 정확히 반영합니다.

3. 주요 기여 (Key Contributions)

1. 통합 플랫폼 개발: 얼티밋, 농구, 축구의 추적 데이터를 표준화하고, 스포츠별 옵션을 포함하면서도 공통된 공간 평가 지표를 제공하는 오픈 소스 파이썬 라이브러리 (OpenSTARLab) 를 공개했습니다.
2. 새로운 데이터셋 공개 (UFATrack):
   • 프로 얼티밋 (UFA) 경기 (Oakland Spiders vs Salt Lake Shred) 의 동기화된 비디오, 추적 데이터, 이벤트 주석을 포함한 고품질 데이터셋을 공개했습니다.
   • 이 데이터셋은 타이밍 기반의 반사실적 분석을 위한 벤치마크로 활용됩니다.
3. 크로스-스포츠 전이 (Cross-Sport Transfer) 검증:
   • 농구 모델 (BIMOS) 을 축구 (2022 월드컵) 데이터에 적용하여 기존 축구 모델 (OBSO) 과 비교했습니다.
   • BIMOS 가 드리블과 인터셉션을 고려하여 실제 득점 결과에 대한 확률 보정 (Calibration) 이 더 우수함을 입증했습니다.

4. 실험 결과 (Results)

4.1 얼티밋 프리스비 (UFATrack 데이터셋)

• 팀 수준 분석: V_frame (공간 가치) 은 경기의 질 (오펜스 기회) 을 잘 반영했습니다. 승점 차이는 '고품질 플레이'의 빈도 (SLC 팀이 중 - 고품질 플레이를 더 많이 생성) 와 관련이 있었으나, 타이밍 최적도 (V_timing) 는 두 팀 간 큰 차이가 없어 점수 차이를 설명하는 데 한계가 있음을 보였습니다.
• 소유권 내 동역학: 공격팀이 'High-wUPPCF area ratio' (안전한 패싱 영역 비율) 를 0.4 이상 유지한 소유권은 득점으로 이어질 확률이 매우 높았습니다. 반면, 이 비율이 낮을 때 수비와 접촉하여 턴오버가 발생하는 경우가 많았습니다.
• 단일 소유권 반사실적 분석: 수신자의 움직임 시작을 10 프레임 (1 초) 늦춘 시나리오에서 공간 가치 (V_scenario) 가 0.371 에서 0.544 로 크게 증가했습니다. 이는 타이밍이 공간 활용도에 결정적 영향을 미친다는 것을 정량적으로 증명했습니다.

4.2 축구 (2022 월드컵 데이터셋) 및 크로스-스포츠 전이

• 시간적 안정성: OBSO 와 BIMOS 모두 다음 경기의 슈팅 수 및 득점과 유의미한 상관관계를 보였습니다. 특히 BIMOS 는 OBSO 보다 미래 슈팅량과 더 강한 상관관계 (0.82 vs 0.63) 를 보였습니다.
• 예측 정확도 (Log-loss): 득점 예측에서 BIMOS 는 OBSO 보다 훨씬 낮은 Log-loss (0.3943 vs 0.6508) 를 기록했습니다. 이는 BIMOS 가 공의 동적 이동 경로를 고려하여 수비 개입 가능성을 더 정확히 반영했기 때문입니다.
• 시각적 비교: PBCF (BIMOS) 는 정적 목표 지점 (PPCF) 보다 실제 공 이동 경로상의 수비 강점을 더 세밀하게 포착했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 통일된 분석 프레임워크: 서로 다른 스포츠의 코칭 질문 ("어디에, 언제 움직여야 하는가?") 에 대해 동일한 논리와 도구를 적용할 수 있는 길을 열었습니다.
• 실용적 가치: 코치와 분석가에게 스포츠별 분석 도구를 일일이 개발할 필요 없이, 표준화된 파이프라인을 통해 재사용 가능한 인사이트를 제공합니다.
• 타이밍의 정량화: 특히 얼티밋 프리스비와 같은 타이밍 의존형 스포츠에서 '언제 시작할 것인가'에 대한 반사실적 분석을 가능하게 하여, 기존 정적 공간 분석의 한계를 극복했습니다.
• 미래 전망: 이 플랫폼은 핸드볼, 럭비, 라크로스 등 다른 침투 스포츠로 확장 가능하며, 개별 선수의 운동 반응 파라미터를 통합하고 실시간 분석 (Real-time) 으로 발전시킬 수 있는 기반을 마련했습니다.

이 연구는 스포츠 데이터 과학 분야에서 스포츠 간 장벽을 허물고, 타이밍과 공간 가치를 통합적으로 평가하는 새로운 표준을 제시했다는 점에서 의의가 큽니다.