A Deterministic Spatial Representation Packet for Sports Trajectories Under Explicit Coordinate, Threshold, and Tolerance Assumptions

당신이 비디오 게임 캐릭터가 숲을 달리는 모습을 보고 있다고 상상해 보십시오. 컴퓨터에게 그 캐릭터는 단순히 "달리는 것"이 아닙니다. 그것은 매 초의 아주 작은 분할 시간마다 발이 어디에 있는지를 컴퓨터 화면에 정확히 알려주는 긴 숫자들의 목록입니다. 현실 세계에서 운동선수들은 동일한 작업을 수행하는 특수 시계와 센서를 착용하며, 이는 움직임을 데이터 포인트의 흐름으로 기록합니다. 스포츠 엔지니어링이라고 불리는 이 분야는 이러한 가공되지 않은 숫자들을 유용한 이야기로 바꾸려고 노력합니다: "선수가 멈췄는가?" "그들이 급격하게 회전했는가?" "그들의 속도는 얼마였는가?"

하지만 여기에 까다로운 부분이 있습니다. 컴퓨터는 매우 문자 그대로를 따릅니다. 만약 당신이 컴퓨터에게 "정지(stop)"를 찾으라고 요청한다면, 컴퓨터에는 "속도가 최소 2초 동안 1.5m/s 미만이어야 한다"와 같은 매우 구체적인 규칙이 필요합니다. 만약 그 규칙을 명확하게 작성하지 않거나, 컴퓨터가 어떤 종류의 지도(예: 마일을 측정하는지 킬로미터를 측정하는지)를 사용하는지 알려주는 것을 잊는다면, 컴퓨터는 실제로는 정지가 아닌 것을 정지로 찾거나, 정지인 것을 놓칠 수도 있습니다. 과학자들의 큰 질문은 이것입니다: 컴퓨터가 선수의 달리기에서 패턴을 발견했다고 말할 때, 우리가 그 패턴을 찾기 위해 정확히 어떤 규칙을 사용했는지 어떻게 확신할 수 있으며, 나중에 그 작업 내용을 어떻게 검증할 수 있을 것인가?

이 논문은 "결정론적 공간 표현 패킷(Deterministic Spatial Representation Packet)"이라는 영리한 새로운 도구를 소개합니다. 이것을 스포츠 분석을 위한 매우 상세하고 변경 불가능한 "영수증"이라고 생각해 보십시오. 이 도구는 단순히 최종 결과(예: "선수가 5번 멈췄다")만을 제공하는 대신, 그 결과를 요리하는 데 사용된 전체 "레시피"를 결과와 함께 패키징합니다. 그것은 가공되지 않은 GPS 데이터를 일련의 이벤트로 변환하기 위해 컴퓨터가 사용한 모든 가정, 모든 임계값, 그리고 모든 미세한 설정을 기록합니다. 저자들은 스키어와 러너로부터 얻은 두 가지 샘플 데이터셋을 통해, 무질서하고 노이즈가 많은 움직임 데이터를 깨끗하고 감사 가능한 증거의 사슬로 변환할 수 있음을 보여줍니다. 그들은 만약 당신이 규칙을 명확하게 작성한다면, 좌표의 뭉치를 누구나 검사할 수 있는 사실의 "패킷"으로 바꿀 수 있다는 것을 증명합니다.

하지만 저자들은 이 도구가 무엇을 하지 않는지에 대해서도 매우 신중하게 설명합니다. 이 도구는 선수가 실제로 멈췄다는 것을 증명하지 않으며, 센서가 완벽하게 정확했는지도 알려주지 않습니다. 이 도구는 "이것이 팀을 코칭하는 최선의 방법이다"라고 말하지 않습니다. 대신, 이것은 투명한 유리 상자와 같이 작동합니다. 당신은 원시 데이터가 들어가는 것을 볼 수 있고, 규칙이 적용되는 것을 볼 수 있으며, 결과가 나오는 것을 볼 수 있습니다. 만약 결과가 이상해 보인다면, 당신은 상자 내부를 들여다보고 "아, 컴퓨터가 규칙을 45도가 아닌 30도로 설정했기 때문에 '회전'을 찾았구나"라고 말할 수 있습니다. 이 연구는 이러한 수준의 투명성이 스포츠 엔지니어링에 있어 매우 중요하며, 숨겨진 설정이 결과에 어떤 변화를 주었는지 추측할 필요 없이 전문가들이 사용하는 데이터를 신뢰할 수 있게 해준다고 제안합니다.

달리기를 위한 "영수증"

이 논문이 왜 중요한지 이해하려면, 당신이 러너의 성과에 대한 미스터리를 풀려는 탐정이라고 상상해 보십시오. 당신은 낙서로 가득 찬 공책(원시 데이터)과 "러너가 95번 멈췄다"라는 최종 보고서를 가지고 있습니다. 당신은 알고 싶습니다: 그것이 사실인가? 러너가 실제로 멈춘 것인가, 아니면 컴퓨터가 혼란을 겪은 것인가?

과거에 답을 얻는 과정은 마치 투명 잉크로 쓰인 영수증을 읽으려는 것과 같았습니다. 당신은 총액은 볼 수 있지만, 어떤 항목이 포함되었는지, 어떤 세율이 적용되었는지, 혹은 계산원이 오타를 냈는지 알 수 없었습니다. 이 논문은 새로운 종류의 영수증을 구축합니다. 이 도구는 "skiing_run_01"이라는 이름의 스키어와 "running_2026-04-09"라는 이름의 러너로부터 얻은 원시 데이터를 가져와 엄격하고 단계적인 기계를 통과시킵니다.

이 기계는 데이터 정제부터 시작합니다. 기계는 원시 파일에 "고스트 포인트(ghost points)"—센서가 연속해서 똑같은 지점을 두 번 기록한 곳—가 많다는 것을 발견했습니다. 스키어의 경우, 데이터의 거의 절반(48.9%)이 중복된 포인트였습니다. 러너의 경우 상황은 더 심각하여, 데이터의 68.6%가 중복되었습니다. 기계는 이러한 중복을 제거하여 "캐노니컬(canonical, 공식적인)" 경로 버전을 만들었습니다. 그런 다음, 거리를 도(degree)가 아닌 미터(meter)로 측정할 수 있도록 글로벌 지도(위도와 경도)에서 로컬 평면 그리드(동, 북, 상)로 데이터를 투영했습니다.

데이터가 깨끗해지고 올바른 형식을 갖추게 되자, 기계는 엄격한 규칙을 사용하여 특정 "이벤트"를 찾기 시작했습니다. 기계는 추측하지 않고 체크리스트를 따랐습니다.

• 정지(Stops): 속도가 1.5m/s 미만으로 떨어져서 최소 2.0초 동안 유지되는 순간을 찾았습니다.
• 회전(Turns): 방향 변화가 30도(0.5236 라디안)보다 큰 경우를 찾았습니다.
• 곡선(Curves): 경로가 미터당 0.1 라디안보다 더 많이 휘어지는 타이트한 곡선을 확인했습니다.

그 결과는 "아티팩트(artifact, 인공물)"의 패킷이었습니다. 스키어의 경우, 기계는 11번의 좌회전과 1번의 정지를 포함하여 71개의 이벤트를 찾아냈습니다. 러너의 경우, 95번의 정지와 151번의 방향 역전(reverse direction)을 포함하여 553개의 이벤트를 찾아냈습니다. 또한 이 모든 이벤트들을 연결하는 플로차트와 같은 "심볼릭 그래프(symbolic graph)"를 구축했습니다.

숫자의 "마법"

여기서 논문은 정말 흥미로워지며, "영수증" 비유가 빛을 발합니다. 러너의 데이터는 엄청난 수의 "토폴로지 후보(topology candidates)"인 4,372개를 생성했습니다. 이것들은 경로가 스스로 교차하거나 루프를 형성하는 이벤트들입니다. 일반적인 관찰자는 "와, 이 러너는 자신의 경로를 4,372번 교차했구나!"라고 생각할 수 있습니다.

하지만 논문은 이 숫자를 문자 그대로 받아들이지 말라고 명시적으로 경고합니다. 저자들은 이 거대한 숫자가 실제 현상이 아니라 규칙과 허용 오차(tolerance) 설정의 결과라고 설명합니다. 기계는 1e-9(매우 작은 거리)의 허용 오차를 가지고 교차를 찾도록 매우 민감하게 설정되었습니다. 러너의 경로가 조밀하고 자기 교차가 빈번했기 때문에, 컴퓨터는 수천 개의 미세한 기하학적 중첩을 찾아낸 것입니다. 논문은 이것들이 "허용 오차에 의해 조건화된 후보(tolerance-conditioned candidates)"임을 명확히 합니다. 즉, 이들은 컴퓨터가 매우 구체적이고 엄격한 조건 하에서 찾도록 명령받았기 때문에 존재하는 것이지, 현실 세계에서의 "고유한 물리적 교차" 횟수를 의미하는 것이 아닙니다.

이것이 이 논문의 핵심적인 기여입니다: 그것은 아티팩트(컴퓨터의 발견)와 진실(실제로 일어난 일)을 분리합니다. 논문은 이러한 발견들을 "결정론적 심볼릭 관측(deterministic symbolic observations)"으로 취급해야 한다고 주장합니다. 쉬운 말로 풀이하자면 이렇습니다: "컴퓨터는 우리가 Y라는 규칙을 사용하여 X를 찾으라고 명령했기 때문에 X를 발견한 것이다. 이것이 인간이 보는 방식의 물리적 진실 X를 의미하는 것은 아니다."

이것이 왜 중요한가 (그리고 무엇이 아닌가)

저자들은 자신들이 달성한 바에 대해 매우 겸손합니다. 그들은 운동선수를 완벽하게 측정하는 문제를 해결했다고 주장하지 않습니다. 그들은 자신들의 방법이 팀을 코칭하는 "최선의" 방법이라고 말하지 않으며, 자신들의 숫자가 러너의 속도에 대한 최종 결론이라고 주장하지도 않습니다. 실제로 그들은 다음과 같은 몇 가지 사항을 명시적으로 배제합니다:

• 그들은 센서 오류를 수정한다고 주장하지 않습니다.
• 그들은 회전의 "스포츠 특화된 의미"(예: 회전이 전술적 플레이인지 아니면 단순한 비틀거림인지)를 안다고 주장하지 않습니다.
• 그들은 조정 없이 자신들의 결과가 모든 스포츠나 모든 장치에서 작동한다고 주장하지 않습니다.

대신, 이 논문은 투명성에 가치가 있다고 제안합니다. 데이터를 "좌표 계약"(지도 규칙), "임계값"(속도 제한), "허용 오차"(얼마나 가까워야 충분한가)와 함께 패키징함으로써, 저자들은 누구나 감사할 수 있는 시스템을 만듭니다. 만약 코치가 "러너가 너무 많이 멈췄다"라고 말한다면, 분석가는 패킷을 열어 이렇게 말할 수 있습니다. "음, 컴퓨터가 95번의 정지를 찾은 이유는 규칙을 1.5m/s로 설정했기 때문입니다. 만약 규칙을 2.0m/s로 바꾸면, 정지 횟수는 40번으로 줄어듭니다."

연구는 "단계적 민감도 증거(staged sensitivity evidence)"를 사용하여 이러한 숫자들의 취약성을 보여줍니다. 그들은 데이터를 얼마나 매끄럽게 처리하는지, 혹은 빈 공간을 어떻게 채우는지에 따라 "정지"나 "회전"의 횟수가 극적으로 변할 수 있음을 보여주는 테스트를 실행했습니다. 이것은 버그가 아니라 시스템의 기능입니다. 이는 이러한 숫자들이 돌의 무게와 같은 절대적인 사실이 아니라, 우리가 설정한 규칙에 전적으로 의존하는 조건부 사실임을 알려줍니다.

요점

결국, 이 논문은 스포츠 데이터의 정직함을 위한 청사진입니다. 이는 무질서하고 노이즈가 많은 GPS 포인트의 흐름을, 컴퓨터가 무엇을 보았고 그것을 보기 위해 어떤 규칙을 사용했는지를 정확히 알려주는 검사 가능한 "패킷"으로 변환하는 방법을 제안합니다. 이 논문은 누가 경주에서 이겼는지를 알려주지는 않지만, 경주가 어떻게 측정되었는지 정확히 이해할 수 있는 도구를 제공합니다.

저자들은 두 가지 샘 샘플, 즉 338개의 깨끗한 포인트가 있는 스키어와 871개의 깨끗한 포인트가 있는 러너를 통해 이를 입증합니다. 그들은 이 샘플들을 통해 원시 좌표로부터 최종 이벤트 그래프에 이르는 완전한 증거의 사슬을 생성할 수 있음을 보여줍니다. 그들은 자신들의 방법이 단지 "표현 계층(representation layer)", 즉 원시 데이터와 최종 분석 사이의 중간 단계일 뿐이라고 인정합니다. 하지만 가정을 명시적으로 드러냄으로써, 사람들이 컴퓨터가 생성한 숫자를 마치 변하지 않는 물리적 진실인 것처럼 취급할 때 발생하는 혼란을 방지하고자 합니다.

논문은 유한한 스포츠 궤적이 검사 가능한 결정론적 아티팩트로 변환될 수 있지만, 오직 우리가 가정을 숨기는 것을 멈출 때만 가능하다는 결론을 내립니다. 우리는 "이것이 우리가 가정한 것이고, 이것이 우리가 사용한 규칙이며, 이것이 컴퓨터가 발견한 것이다"라고 말할 용기가 있어야 합니다. 이는 스포츠 엔지니어들에게 추측을 멈추고 기록을 시작하여, 데이터상의 모든 "정지", "회전", 또는 "루프"가 검사를 위해 준비된 자신만의 작은 영수증을 지니도록 하라는 촉구입니다.