기술 요약: 몬테카를로 패스 탐색 (Monte Carlo Pass Search, MCPS)

문제 정의

축구 분석은 전통적으로 독점적인 데이터셋과 점 추정(point-estimate) 지표(예: 기대 위협, 기대 패스)에 의존해 왔으며, 이는 단일하게 실현된 결과만을 평가합니다. 이러한 접근 방식은 패스 결정의 세 가지 핵심 구성 요소를 분리해내지 못합니다:

1. 옵션 품질 (Option Quality): 패서가 좋은 타겟을 선택했는가 여부.
2. 실행 취약성 (Execution Fragility): 선택된 옵션이 얼마나 좁은 "성공 창(success window)"을 가졌는지(즉, 킥 파라미터의 작은 오차에도 얼마나 민감하게 반응하는지) 여부.
3. 실행 품질 (Execution Quality): 실제 킥이 해당 시도의 전형적인 실행보다 더 나았는지 혹은 더 나빴는지 여부.

기존 모델들은 패스를 결정론적 사건으로 취급하거나, 복잡한 오프볼 움직임을 포착할 수 없는 규칙 기반의 물리 시뮬레이션에 의존하는 경우가 많습니다. 공개된 고정밀 3D 트래킹 데이터의 부족은 또한 재현 가능한 분포 인식 평가 프레임워크의 발전을 저해해 왔습니다.

방법론: 몬테카를로 패스 탐색 (MCPS)

저자들은 패스 평가를 몬테카를로 트리 탐색(MCTS) 유사 문제로 재구성하였으며, 수동으로 설계된 시뮬레이터 대신 학습된 생성 모델을 도입했습니다. 이 프레임워크는 가공되지 않은 시공간 영역에서 작동하며, 다음의 세 가지 핵심 구성 요소로 이루어집니다:

1. 가치 모델 (소유 가치, Possession Value)

트랜스포머 기반 모델이 임의의 게임 상태에 대해 스칼라 값인 **소유 가치(PV)**를 할당합니다.

• 정의: $PV = P(\text{에고 팀이 10초 이내에 득점할 확률}) - P(\text{상대 팀이 10초 이내에 득점할 확률})$.
• 학습: 트래킹 윈도우를 바탕으로 이진 교차 엔트로피 헤드를 사용하여 학습하며, 희소성을 완화하기 위해 기대 득점(xG)에 의해 가중치를 둔 10초 이내의 슛을 레이블로 사용합니다.
• 역할: 시뮬레이션된 롤아웃(rollout)의 결과를 평가하기 위한 보상 신호를 제공합니다.

2. 월드 모델 (궤적 생성)

생성 모델은 후보 볼 비행(ball flight)에 조건화되어 단기 미래(선수 및 공의 궤적)를 예측합니다. 제한된 공개 데이터에서의 샘플 효율성을 확보하기 위해, 저자들은 자율 주행 분야의 자기회귀적 이산 토큰 모델인 SMART를 변형하여 적용했습니다.

• 아키텍처: 이산 토큰을 사용하는 디코더 전용 시공간 트랜스포머입니다.
  • 토큰: 선수 움직임(10D 평면 속도)과 공의 움직임(15D 3D 속도)을 k-means를 통해 어휘 사전(vocabularies)으로 양자화합니다.
  • 조건화: 모델은 8개의 히스토리 토큰에 조건화되어 24개의 롤아웃 토큰을 예측합니다.
• 상호작용 모듈:
  • 선수-투-터치 (Player-to-Touch): 다음 공 접촉 선수와 접촉 시간을 예측하며, 생존 분석 스타일의 목적 함수를 사용합니다.
  • 터치 시 공 상태 (Ball-at-Touch): 터치 후의 공 속도를 대각선 가우시안 회귀기를 통해 예측합니다.
• 롤아웃: 모델은 의미 있는 첫 번째 공 상호작용(터치, 굴절 또는 아웃 오브 바운드)이 발생할 때까지 확률적인 멀티 에이전트 미래를 생성합니다.

3. 정책 모델 (패스 변리에 대한 탐색)

각 관측된 패스에 대해, MCPS는 물리 시뮬뮬레이터와 결합된 CEM 스타일의 솔버를 사용하여 킥 파라미터(초기 3D 속도 및 스핀)를 추론합니다. 그 후 두 가지 역사실적(counterfactual) 액션 세트를 구축합니다:

• 로컬 탐색 (Local Search): 추론된 킥 파라미터에 작은 섭동(perturbations)을 가하여 256개의 변종을 샘플링합니다(실행 노이즈 모델링).
• 글로벌 탐색 (Global Search): 동일한 프리 패스(pre-pass) 상태로부터 대안적인 패스 옵션(다른 타겟/방향)을 탐색하기 위해 더 큰 섭동을 가하여 256개의 변종을 샘플링합니다.

평가 프레임워크

각 후보 패스(관측된 패스 또는 역사실적 패스)는 월드 모델을 통해 롤아웃된 후, 가치 모델에 의해 스코어링되어 획득된 소유 가치($\Delta PV$)의 분포를 얻습니다. 기여도 산출을 위해 두 가지 분포 인식 지표가 계산됩니다:

1. 평균 차이 잉여 ($S_{mean}$): 관측된 패스의 $\Delta PV$와 역사실적 집합의 평균 $\Delta PV$ 사이의 차이.
2. 백분위 잉여 ($S_{pct}$): 역사실적 분포 내에서 관측된 패스의 $\Delta PV$의 백분위 순위.

주요 기여

• 궤적 조건부 롤아웃 평가: 후보 볼 궤적에 조건화되어 다양한 단기 미래를 생성하는 프레임워크를 구축함으로써, 점 추정을 넘어 전체 분포를 다룹니다.
• 이중 몬테카를로 탐색: 실행 민감도(로컬 탐색)와 옵션 세트 근사(글로벌 탐색)를 분리하는 메커니즘을 제공합니다.
• 분포 인식 지표: 패스의 견고성과 결정 품질을 미세하게 분석할 수 있는 $S_{mean}$ 및 $S_{pct}$ 점수를 도입했습니다.
• 자기회귀 모델의 적응: 이산 토큰 기반의 자기회귀적 궤적 생성기(SMART에서 변형)가 제한된 공개 축구 데이터에서도 강력한 Best-of-20 예측 정확도를 보여줌을 입증하여, 완전한 가상 롤아웃을 가능하게 했습니다.

결과

프레임워크는 공개된 분데스리가 데이터셋(7개 경기, 25Hz 트래킹, 3D 공 좌표)을 통해 평가되었습니다.

• 궤적 예측: 변형된 SMART 모델은 Best-of-20 minADE 2.4 및 minFDE 4.7을 달성하여, 정적 모델, 등속도 모델, 단순 트랜스포머, 그리고 공개된 Sports-Traj 체크포인트(minADE 4.2)를 포함한 베이스라인들을 능가했습니다.
• 선수-투-터치: 하이브리드 모델(궤적 + 터치 예측)은 0.605의 Receiver Top-1 정확도를 달성했습니다. 저자들은 이것이 목적 함수 불일치(훈련 시에는 첫 터치 위험을, 추론 시에는 가상의 미래를 대상으로 함)와 롤아웃 불확실성으로 인한 보수적인 하한선이라고 언급했습니다.
• 사례 연구 (보훔 vs 레버쿠젠):
  • 실행 민감도: 플로리안 비르츠(Florian Wirtz)의 특정 패스 분석 결과, 작은 로컬 섭동 하에서도 $\Delta PV$의 유의미한 편차가 나타났습니다. 이는 일부 패스가 거의 완벽한 실행 하에서만 가치가 있음을 보여줍니다.
  • 선수 순위: 경기에 걸쳐 지표를 집계하여 다음 기준으로 선수를 순위화할 수 있었습니다:
    • 로컬 탐색: 실행 난이도 대비 일관성 (높은 백분위 잉여는 견고한 실행을 의미함).
    • 글로벌 탐색: 고가치 옵션의 체계적 선택 (높은 평균 차이 잉여는 평균적인 대안보다 더 나은 타겟을 선택했음을 의미함).

의의 및 주장

본 논문은 고정밀 데이터를 활용함으로써 축구 분석 분야를 더 넓은 컴퓨터 비전 커뮤니티와 다시 연결하는 새로운 기준을 세웠다고 주장합니다.

• 점 추정에서 분포로: MCPS는 패스의 리스크와 취약성을 명시적으로 모델링하여, "좋은 결정이지만 실행이 나쁜 경우"와 "나쁜 결정이지만 실행이 좋은 경우"를 구분합니다.
• 요소의 분리: 로컬(실행) 및 글로벌(옵션) 탐색을 분리함으로써, 기존 지표보다 더 세밀한 선수 퍼포먼스 뷰를 제공합니다.
• 공개 데이터의 실현 가능성: 본 연구는 자율 주행에서 변형된 효율적인 토큰 기반 생성 모델링 기법을 활용하여, 적은 양의 공개 데이터셋(7경기)으로도 고정밀, 분포 인식 평가가 가능하다는 것을 보여줍니다.

저자들은 데이터 규모의 작음, 트래킹 동기화의 잠재적 노이즈, 그리고 탐색 분포의 단순화 등을 한계점으로 인정했습니다. 향-후 연구는 다중 상호작용 호라이즌, 희귀한 상호작용(예: 공중 경합)의 더 나은 모델링, 그리고 글로벌 탐색을 위한 더 현실적인 제안 정책(proposal policies)에 집중해야 한다고 제언했습니다.