기술 요약: BadmintonGRF

문제 제기

정확한 지면 반력 (GRF) 추정은 운동선수의 작업 부하 모니터링, 피로 분석, 그리고 하체 부상 위험 평가에 필수적입니다. 마커리스 추정 (비디오나 자세로부터 GRF 를 유도) 이 진보하고 있지만, 현재는 배드민턴과 같은 비주기적이고 고강도의 코트 스포츠에서 견고한 검증이 부족합니다. 기존 자료들은 주로 주기적인 보행이나 스크립트화된 점프에 초점을 맞추고 있어, 경쟁 경기에서 특징적인 불규칙하고 충격이 큰 발놀림을 포착하지 못합니다. 또한, 계측된 실험실 등급의 GRF 와 고프레임레이트의 다중 뷰 비디오를 짝짓는 공개 데이터셋이 부족하며, 특히 비디오와 힘 센서가 하드웨어 동기화 (genlock) 되지 않은 경우의 데이터셋은 더욱 희소합니다. 이러한 격차는 현실적인 훈련 환경을 위한 마커리스 부하 추정 모델의 개발을 제한합니다.

방법론 및 데이터셋 구성

BadmintonGRF 데이터셋은 17 명의 국가 2 부위 이상 경쟁 배드민턴 선수들을 대상으로 한 연구 등급의 멀티모달 캡처 파이프라인을 통해 이러한 격차를 해소합니다.

데이터 수집

• 센서: 설정에는 8 대의 고정식 RGB 카메라 (DJI Osmo Action 4, 약 120 FPS), 4 대의 Kistler 6 축 힘 판, 그리고 C3D 로 내보낸 8 대 카메라 Vicon 모션 캡처 시스템이 포함됩니다.
• 동기화 과제: 전통적인 실험실 설정과 달리, 소비자용 RGB 카메라는 실험실 시간 기준에 대한 하드웨어 genlock 없이 독립적인 발진기로 작동합니다.
• 정렬 솔루션: 저자들은 소프트웨어 기반 정렬 파이프라인을 개발했습니다. 이는 다음을 포함합니다:
  1. 인간 검증 이벤트: 주석 작성자들이 중요한 GRF 피크를 비디오 이벤트와 짝지어 카메라별 시간 오프셋을 추정합니다.
  2. 자동 QA: 파이프라인이 오프셋 일관성을 검사하고 이상치를 플래그합니다 (시도의 5.2% 가 수동 조정이 필요했습니다).
  3. 불확실성 메타데이터: 공개된 메타데이터에는 오프셋과 파생된 불확실성 값이 포함됩니다.
• 프로토콜: 선수들은 신선한 상태와 유도된 피로 조건 모두에서 구조화된 드릴과 경기와 유사한 랠리를 수행했습니다. 프로토콜은 랠리 플레이와 특정 발놀림 모듈 (상단 네트, 스매시 지향, 6 지점 반응) 을 순환합니다.

데이터 처리 및 세그멘테이션

• Ground Truth: 기준 GRF 는 네 개의 판에서 집계되며, 부상 대체 지표에서의 지배적인 역할로 인해 수직 힘 ($F_z$) 이 주요 감독 대상이 됩니다.
• 세그멘테이션: 파이프라인은 정렬된 $F_z$ 신호에서 착지 피크를 감지하고 대칭적인 $\pm0.5$ 초 (약 120 프레임) 윈도우를 자릅니다.
• 품질 게이트: 기준 로더는 다음을 기반으로 인스턴스를 필터링합니다:
  • 하체 평균 자세 점수 $\ge 0.70$.
  • 추적 손실률 $\le 0.05$.
  • 피크 $F_z$ 가 체중의 세 배 이내.
  • 저점 마스킹 및 유한 차분 정제.

벤치마크 설계

데이터셋은 유용성과 프라이버시를 균형 있게 맞추기 위해 두 가지 티어로 제공됩니다:

• 티어 1 (공개): 시간 정렬된 자세 데이터, 처리된 GRF, 메타데이터, 그리고 CC BY-NC 4.0 하의 사전 정의된 분할을 포함합니다. 이 티어는 원본 비디오나 C3D 파일 없이 주요 벤치마크를 지원합니다.
• 티어 2 (제한적 접근): 외관 분석이나 완전한 운동학이 필요한 연구를 위한 원본 RGB 및 C3D 데이터를 제공합니다.

벤치마크는 실제 적용 가능성에 대한 핵심 지표인 교차 주제 일반화를 평가하기 위해 Leave-One-Subject-Out (LOSO) 프로토콜을 사용합니다.

주요 기여

1. 연구 등급 멀티모달 캡처: 저자들의 지식에 따르면, 비주기적인 배드민턴 충격에 대해 8 뷰 ~120 FPS RGB, 4 대의 Kistler 힘 판, 그리고 Vicon C3D 를 결합하고 피로 인식 프로토콜 태그를 완비한 최초의 공개 릴리스입니다.
2. Genlock 없는 소프트웨어 정렬: 소비자용 RGB 와 실험실 센싱 간의 프레임 수준 정렬을 달성하는 견고한 "human-in-the-loop" 파이프라인으로, 자동 QA 와 불확실성 메타데이터가 완비되어 있습니다.
3. 패키지화된 벤치마크: 17,425 개의 충격 세그먼트 (품질 게이트 후 12,867 개; 고유 충격 1,732 개) 를 큐레이션하여 결정론적 분할과 로더와 함께 제공합니다.
4. 투명한 평가: 구현 변이를 최소화하기 위한 고정된 LOSO 프로토콜, 네 가지 보완적 지표 ($r^2$, RMSE, 피크 크기 오차, 피크 타이밍 오차), 그리고 10 개의 문서화된 기준 베이스라인을 제공합니다.

결과 및 벤치마크 성능

논문은 티어 1 벤치마크에서 10 개의 참조 아키텍처 (Temporal Convolutional Networks, Transformers, Graph Neural Networks 포함) 를 평가합니다.

• 성능 한계: 가장 성능이 좋은 모델 (PatchTST 및 ST-GCN+Transformer) 은 LOSO 단일 뷰 설정에서 약 0.40의 $r^2$를 달성합니다.
• 주요 요인: 분석에 따르면 교차 주제 생체역학적 변이가 잔류 동기화 잡음보다 우세한 주요 오차 원인입니다. 합성 타이밍 스트레스 테스트는 1 프레임의 시프트가 $r^2$를 약 0.05 감소시키는 반면, 홀드아웃 주제는 0.15 이상의 변동을 유발함을 보여주었습니다.
• 지표 트레이드오프:
  • PatchTST는 곡선 피팅 ($r^2$) 과 RMSE 에서 선도합니다.
  • ST-GCN+Transformer는 명시적 그래프 구조가 짧은 착지 과도기를 처리하기 때문에 피크 크기와 타이밍 정확도에서 선도합니다.
  • Late Fusion: 다중 뷰 예측을 결합하면 $r^2$를 향상시킬 수 있습니다 (예: TSMixer 가 0.472 에 도달). 그러나 뷰별 예측이 충돌할 경우 피크 지표는 종종 저하됩니다.
• 시내 내 (Within-Trial) 성능: 훈련 중에 주체가 관찰될 때 (Within-trial 설정), $r^2$는 약 0.60 으로 향상되어 현재 LOSO 한계가 정렬 문제보다는 주제 전이 과제에 의해 주도됨을 확인시켜 줍니다.

중요성 및 주장

저자들은 BadmintonGRF 를 통제된 실험실 생체역학과 제약 없는 스포츠 훈련 간의 격차를 해소하는 데 필요한 자원으로 위치시킵니다.

• 재현성: 논문은 자원의 가치가 "감사된" 성격에 있음을 강조합니다. 즉, 숨겨진 전처리 선택 없이 연구자들이 결과를 재현할 수 있도록 명시적인 정렬 프로토콜, 품질 보증 스크립트, 그리고 결정론적 로더를 제공합니다.
• 멀티미디어 관련성: 스포츠 과학을 넘어, 이 데이터셋은 이질적인 시계, 가려진 자세 - 역학 모델링, 그리고 실험실과 훈련 장소 간의 도메인 이동에 관한 멀티미디어 연구를 위한 스트레스 테스트 역할을 합니다.
• 겸손한 주장: 저자들은 참조 모델이 최첨단 성능을 주장하는 것이 아니라 "재현성 앵커"로 기능한다고 명시적으로 밝힙니다. 현재 성능 한계는 주제 변이성에 의해 제한되며, 향후 개선은 추가적인 정렬 조정보다는 주제 인식 또는 메타데이터 조건부 목적 함수가 필요할 것이라고 인정합니다.
• 접근성: 프라이버시 보호 자세 데이터를 포함한 티어 1 데이터셋을 제공함으로써, 저자들은 제한된 원본 비디오나 비싼 실험실 설정에 접근할 필요 없이 자세 - 힘 추정 연구에 관심 있는 연구자들의 진입 장벽을 낮추고자 합니다.