지금까지 축구 AI 연구는 주로 **"골을 얼마나 많이 넣었나?"**나 "이겼나?" 같은 결과만 중요하게 여겼습니다. 마치 학생이 시험에서 100 점만 받으면, 그 학생이 문제를 어떻게 풀었는지 (공부 방법) 는 상관없다는 것과 비슷합니다.
하지만 실제 축구에서는 **팀의 '스타일'**이 매우 중요합니다.
"우리는 공을 차고 빠르게 공격한다."
"우리는 좁은 공간에서 공을 돌려 상대를 지치게 한다."
이런 팀 고유의 전술적 스타일을 AI 가 정확히 따라 하는 것 (모방) 은 훨씬 어렵지만, 코치가 팀을 분석하거나 새로운 전술을 개발할 때 훨씬 더 중요합니다.
🛠️ 2. TacSIm 이란 무엇인가? "축구의 '모방 요리 레시피'와 '심사 기준'"
이 연구팀은 TacSIm이라는 두 가지 큰 도구를 만들었습니다.
① 거대한 데이터셋 (재료 장터)
비유: 영국 프리미어리그 (EPL) 의 실제 경기 영상 140 개를 모아서, 11 명 선수와 공의 움직임을 1 초 1 초까지 쪼개어 기록한 거대한 레시피 책입니다.
특징: 보통 데이터는 '골을 넣은 순간'이나 '패스' 같은 이벤트만 기록하지만, TacSIm 은 경기 전체의 흐름을 기록합니다. 마치 요리할 때 "소스를 어떤 순서로 넣고, 몇 분 동안 저어야 맛있는지"까지 상세히 적은 것과 같습니다.
기술: TV 로 보는 경기 화면 (카메라가 흔들리고, 선수들이 가려지는 등) 을 컴퓨터가 알아서 전체 경기장 지도로 변환하고, 가려진 선수들의 위치도 추측해서 채워 넣습니다.
② 벤치마크 (심사 기준)
비유: 이제 AI 가 만든 전술이 진짜 선수들의 전술과 얼마나 비슷한지 평가하는 엄격한 심사 위원회입니다.
평가 방법:
공간 점유율 (어디에 서 있었나?): AI 가 만든 선수들이 실제 선수들이 서 있던 자리와 겹치는 비율을 봅니다. (예: 실제 팀이 왼쪽에 몰려 있었는데 AI 도 왼쪽에 몰려 있다면 점수 UP!)
움직임 벡터 (어디로 갔나?): 선수들이 어떤 방향으로, 어떤 리듬으로 움직였는지 비교합니다.
이 두 가지를 합쳐서 "전통적인 스타일 충실도" 점수를 매깁니다.
🧪 3. 실험 결과: "AI 는 무엇을 잘하고, 무엇을 못 할까?"
연구팀은 여러 가지 AI 모델 (BC, CMIL, IRL, CoDAIL, DRAIL 등) 을 이 기준에 맞춰 시험시켰습니다. 결과는 흥미로웠습니다.
시간이 길어질수록 어려워진다:
비유: "다음 3 초 동안 어디로 갈지"를 예측하는 것은 쉬운데, "다음 10 초 동안 팀 전체가 어떻게 움직일지"를 예측하는 것은 매우 어렵습니다. 시간이 길어질수록 AI 는 혼란을 겪고 실수가 늘어납니다.
이유: 짧은 시간은 단순히 "현재 속도로 계속 가라"면 되지만, 긴 시간은 "상대가 어떻게 나올지, 팀 전술을 어떻게 바꿔야 할지"를 추론해야 하기 때문입니다.
그리드 (격자) 크기의 중요성:
비유: 지도를 너무 크게 ( coarse) 보면 "어느 동네에 있나"만 알 수 있고, 너무 작게 (fine) 보면 "정말 저기서 발을 뗐나"까지 보게 됩니다.
결과: 너무 거칠면 전술의 디테일을 놓치고, 너무 미세하면 AI 가 사소한 움직임 (잡음) 에만 집중하다가 전체 흐름을 잃습니다. 적당한 크기가 가장 좋은 결과를 냈습니다.
모델별 특징:
CoDAIL: 짧은 시간 동안의 정교한 팀워크를 모방하는 데 가장 뛰어났습니다. (정교한 전술 실행)
DRAIL: 시간이 길어질수록 전체적인 흐름을 잘 잡았습니다. (장기적인 전략 시뮬레이션)
💡 4. 왜 이 연구가 중요한가?
이 연구는 단순한 "경기 예측"을 넘어, AI 가 축구의 '영혼' (전술 스타일) 을 이해하도록 돕는 첫걸음입니다.
코치에게: "만약 우리가 저 팀처럼 플레이하면 어떻게 될까?"라는 시뮬레이션을 통해 새로운 전술을 실험할 수 있습니다.
선수에게: 자신의 역할이 팀 전술에서 어떻게 작동하는지 분석하고 발전시킬 수 있습니다.
팬들에게: 앞으로는 "이 팀이 어떤 스타일로 경기를 치를지"를 AI 가 더 정확하게 예측하고 설명해 줄 수 있게 됩니다.
📝 한 줄 요약
"TacSIm 은 실제 축구 경기 영상을 바탕으로 AI 가 팀의 '전술 스타일'을 똑같이 따라 할 수 있도록 만든 거대한 레시피와 엄격한 심사 기준이며, 이를 통해 AI 가 축구의 흐름을 더 깊이 이해하도록 돕는 혁신적인 도구입니다."
1. 문제 정의 (Problem Definition)
현재 축구 모방 (Imitation) 연구는 주로 득점이나 승률과 같은 보상 기반 목표 (Reward-based objectives) 를 최적화하는 데 초점을 맞추고 있습니다. 그러나 실제 경기에서의 팀 전술적 행동 (Team Tactical Behaviors) 을 정확하게 재현하는 데는 한계가 있습니다.
데이터의 부재: 기존 연구들은 합성 데이터나 제한된 추적 데이터에 의존하며, 방송 영상 (Broadcast footage) 에서 11 대 11 전체 팀의 궤적을 얻는 것은 상업적 제약과 기술적 난이도 (카메라 전환, 가림, 해상도 등) 로 인해 어렵습니다.
학습의 불균형: 개별 행동 복제 (Behavior Cloning) 와 보상 최대화 에이전트 학습 사이의 균형이 맞지 않으며, 부분 관측 조건에서 상대팀, 경기 템포, 경기 단계에 대한 일반화 능력이 부족합니다.
평가의 한계: 기존 평가 프레임워크는 개별 오류나 구간별 보상에 집중하여, 실제 팀과 모델 생성 결과 간의 공간적 및 시간적 일관성 (Spatio-temporal consistency) 을 종합적으로 평가하지 못합니다.
2. 제안된 방법론 (Methodology)
저자들은 이러한 격차를 해소하기 위해 TacSIm을 제안했습니다. 이는 프리미어리그 방송 영상을 기반으로 한 대규모 데이터셋이자 벤치마크입니다.
가. 데이터 구축 (Dataset Construction)
데이터 소스: 2024-2025 시즌 프리미어리그 (EPL) 의 140 경기 방송 영상 (1080p, 25fps) 을 사용했습니다.
클립 선정 전략: 개별 행동이 아닌 집단 전술 행동을 포착하기 위해, 공을 소유한 순간부터 잃을 때까지의 소유권 사이클 (Possession Cycle) 단위로 영상을 분할했습니다.
주석 (Annotation): 공격 (Attack), 수비 (Defense), 전환 (Transition) 단계로 계층적으로 라벨링되었으며, 축구 전술 전문가들이 정교하게 검증했습니다.
궤적 재구성 (Trajectory Reconstruction):
카메라 내 위치 재구성: SoccerNet-GSR 파이프라인을 기반으로 YOLOv11(검출), DeepSORT(추적), TVCalib(카메라 보정) 를 사용하여 방송 화면을 표준 필드 좌표계로 변환했습니다.
카메라 외 위치 재구성: 가림 (Occlusion) 으로 인한 데이터 결손을 보완하기 위해 조건부 VAE (Conditional VAE) 를 사용하여 연속적이고 물리적으로 타당한 궤적을 복원했습니다.
나. 벤치마크 및 평가 프로토콜 (Benchmark & Evaluation)
작업: 실제 경기의 첫 프레임 (상황) 을 입력으로 받아, 가상 축구 환경 (GRF) 에서 해당 팀의 전술적 스타일을 모방하여 이후의 전체 팀 행동을 생성하는 것입니다.
평가 지표:
공간 점유 유사도 (Spatial Occupancy Similarity): 실제와 예측된 궤적이 필드 그리드에서 차지하는 영역의 겹침 정도를 잰 Jaccard 지수 (St).
이동 벡터 유사도 (Movement Vector Similarity): 이동 방향과 활동 패턴의 일관성을 잰 코사인 유사도 기반 지표 (Sv).
최종 점수: 두 지표의 조화 평균 (Harmonic Mean) 을 사용하여 공간적 정확성과 동적 일관성을 동시에 고려합니다.
적응형 그리드: 경기 상황 (공격/수비, 템포) 에 따라 그리드 해상도 (Coarse ~ Extra-fine) 를 동적으로 조절하여 다양한 전술적 맥락을 평가합니다.
3. 주요 기여 (Key Contributions)
최초의 방송 기반 전술 모방 데이터셋: 단일 방송 뷰에서 카메라 보정을 통해 22 명의 선수와 공의 궤적을 표준 좌표계로 재구성한 대규모 데이터셋을 최초로 공개했습니다.
표준화된 전술 모방 태스크 및 평가 프로토콜: 공간 기반 및 시간 의존적 지표를 통해 가상 - 실제 일관성을 정량화하는 새로운 평가 체계를 정립했습니다.
포괄적인 베이스라인 비교: 기존 모방 학습 모델 (BC, CMIL, IRL, CoDAIL, DRAIL 등) 을 통일된 환경에서 평가하여 각 모델의 장단점과 전술 스타일 모방 능력을 체계적으로 분석했습니다.
4. 실험 결과 (Results)
예측 시간의 영향: 예측 시간이 길어질수록 (3 초 → 10 초) 모든 모델의 성능이 급격히 저하되었습니다. 이는 단기적으로는 운동 상태 모방이 가능하나, 장기적으로는 복잡한 전술적 추론 (Tactical Intent Deduction) 이 필요하기 때문입니다.
그리드 해상도의 최적 범위: 너무 거친 그리드는 세부 전술 정보를 잃고, 너무 미세한 그리드는 차원의 저주 (Curse of Dimensionality) 와 노이즈 민감도를 초래했습니다. 중간 크기의 그리드 (150~240 셀) 가 가장 균형 잡힌 성능을 보였습니다.
모델별 성능:
CoDAIL: 중간~단기 예측 및 중간 해상도 그리드에서 가장 우수한 성능을 보이며, 다중 에이전트 간 협력 모델링의 효과성을 입증했습니다.
DRAIL (Diffusion 기반): 장기 예측 및 공간 점유 (St) 지표에서 상대적으로 강건한 성능을 보여, 거시적 전략 시뮬레이션에 유망함을 보였습니다.
BC (Behavior Cloning): 장기 예측에서 성능이 크게 떨어지며, 단순한 운동 상태 외삽의 한계를 드러냈습니다.
5. 의의 및 결론 (Significance & Conclusion)
시뮬레이션과 현실의 간극 해소: TacSIm 은 실제 경기 데이터와 가상 시뮬레이션을 연결하여, 팀의 집단 지성 (Collective Intelligence) 을 연구할 수 있는 엄격한 벤치마크를 제공합니다.
코칭 및 분석 도구: 코치들의 시나리오 테스트, 맞춤형 상대팀 분석, 선수 개발 및 채용 결정에 활용 가능한 표준화된 해석 가능한 목표를 제시합니다.
미래 연구 방향: 단일 "만능" 모델보다는 전술적 정밀도 (미시적) 와 전략적 깊이 (거시적) 를 모두 아우르는 다중 스케일 계층적 프레임워크 개발의 필요성을 강조합니다.
이 논문은 컴퓨터 비전과 다중 에이전트 학습을 스포츠 분석 영역에 성공적으로 접목하여, 축구 전술 연구의 새로운 기준을 제시했다는 점에서 의의가 큽니다.