⚡ electrical engineering

Data-Driven Framework of Player Spatial Ownership in Football

이 논문은 일반화된 움직임 가정을 활용하지 않고 도착 시간을 계산하기 위해 광학 추적 데이터로부터 개별화된 움직임 파라미터를 추정함으로써 축구에서 선수의 공간 점유를 정량화하는 완전한 데이터 기반 프레임워크를 소개한다.

원저자: Daniel Castro, Jan-Anders Mansson

게시일 2026-08-20

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Daniel Castro, Jan-Anders Mansson

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현대 축구의 이야기에서 주인공은 종종 공을 통해 전달된다. 우리는 골을 넣는 공격수, 완벽한 패스를 찔러주는 미드필더, 혹은 위험한 크로스를 차단하는 수비수를 찬양한다. 이러한 순간들은 눈에 잘 띄고 측정하기도 쉽다. 그러나 경기의 방대한 부분은 공이 선수의 발에 닿지 않은 채로 이루어진다. 그것은 선수들 사이의 공간, 기회를 만들기 위한 움직임, 그리고 상대방을 주저하게 만드는 위치 선정 속에서 일어난다. 수십 년 동안 코치와 분석가들은 이 보이지 않는 영향력을 측정하기 위해 고군분ters해 왔다. 어떤 선수가 특정 순간에 실제로 얼마나 많은 공간을 통제하고 있는가? 누가 다른 누구보다 특정 지점에 더 빨리 도달할 수 있는가? 이 질문에 답하기 위해서는 단순히 관찰하는 것 이상의 것이 필요하다. 즉, 22명 선수의 혼란스러운 움직임을 '누가 경기장을 소유하고 있는가'라는 명확한 지도로 번역할 방법이 필요하다.

오랫동안 연구자들은 경기장에 가상의 선을 그려, 선수들이 서 있는 위치를 기준으로 지면을 구역별로 나누는 방식으로 이 문제를 해결하려 노력해 왔다. '지배 영역 모델(dominant region models)'로 알려진 이 방식은 만약 어떤 선수가 특정 지점에 다른 누구보다 가깝다면, 그곳을 소 보유하고 있다고 가정한다. 그러나 이 접근법은 모든 선수가 정확히 똑같은 방식으로 움직인다고 가정한다. 이는 한 선수는 즉각적으로 가속하는 스프린터일 수 있는 반면, 다른 선수는 느리게 회전하는 강력한 러너일 수 있다는 사실을 간과한다. 또한 모든 선수가 게임의 변화를 포착하는 속도가 동일하다고 가정하며, 어떤 선수들이 플레이의 변화를 더 빠르게 알아차리는지를 무시한다. 이러한 단순화는 모든 선수가 가진 고유한 신체적 특징을 놓치게 된다.

퍼듀 대학교(Purdue University)의 새로운 연구는 실제 사람들이 어떻게 움직이는지에 기반하여 공간의 지도를 만드는, 게임을 바라보는 색다른 방식을 제시한다. 연구진은 모든 사람이 동일하다고 가정하는 대신, 경기 중 수집된 데이터를 통해 모든 개별 선수의 구체적인 움직임 습관을 학습하는 시스템을 개발했다. 그들은 초당 25회씩 모든 선수와 공의 정확한 위치를 기록하는 광학 추적 데이터(optical tracking data)를 사용했다. 이 숫자들의 흐름으로부터 연구팀은 각 선수의 고유한 프로필을 추출해 냈다. 그들은 각 선수가 얼마나 빨리 가속할 수 있는지, 얼마나 빨리 속도를 줄일 수 있는지, 최고 속도는 얼마인지, 그리고 정확히 어떻게 방향을 전환하는지를 계산했다. 아마도 가장 중요한 점은, 그들이 각 선수의 반응 시간, 즉 공의 움직임을 보고 달리기 시작할 때까지의 찰나의 지연 시간을 파악했다는 것이다.

연구진은 이후 이러한 개별 프로필을 사용하여 경기장 전체를 가로지르는 경주를 시뮬레이션했다. 그들은 경기장을 약 선수의 측면 도달 범위 크기인 50cm 너비의 작은 격자(grid)로 나누었다. 경기장의 모든 격자에 대해 시스템은 다음과 같은 간단한 질문을 던졌다. '만약 선수가 지금 당장 이 지점에 도달해야 한다면, 얼마나 걸릴 것인가?' 이를 위해 모델은 모든 선수에 대해 두 가지 서로 다른 시나리오를 실행했다. 첫 번째 시나리오에서 선수는 멈추지 않고 곡선을 따라 운전하는 자동차처럼 끊임없이 방향을 조정하며 앞으로 나아갔다. 두 번째 시나리오에서 선수는 몸을 멈춰 세우고, 목표물을 향해 몸을 돌린 뒤, 그곳을 향해 가속했다. 시스템은 두 전략의 시간을 모두 계산한 뒤 더 빠른 쪽을 선택했다.

모든 선수와 경기장의 모든 격자에 대해 이러한 계산을 수행함으로써, 연구진은 '선수 공간 소유권(Player Spatial Ownership)'이라는 동적인 지도를 만들어냈다. 이 지도는 선수의 특정 속도, 회전 능력, 그리고 개인의 반응 시간을 고려하여 어떤 선수가 특정 지점에 가장 빠르게 도달할 수 있는지를 보여준다. 연구 결과, 이러한 개별적 차이를 고려했을 때 공간을 누가 통제하는지에 대한 그림은 기존 모델과 비교하여 크게 달라졌다. 정적인 지도상에서는 멀리 떨어져 있는 것처럼 보이는 선수라도, 더 빠르게 반응하거나 더 효율적으로 회전하기 때문에 실제로 그 지점에 먼저 도달할 수 있다.

연구팀은 FIFA에서 제공한 실제 축구 경기 데이터를 사용하여 이 방법을 테스트했다. 그들은 이 시스템이 실시간으로 사용될 수 있을 만큼 빠르면서도, 개별 움직임의 미묘한 차이를 포착할 수 있을 만큼 상세하다는 것을 발견했다. 복잡하고 재현 불가능한 수학을 요구하거나 모든 사람이 동일하게 움직인다고 가정했던 이전 방식들과 달리, 이 프레임워크는 전적으로 관찰된 데이터에 기반하여 구축되었다. 이 시스템은 선수가 어떻게 움직이는지 추측하지 않는다. 대신 선수가 과거에 어떻게 움직였는지를 학습한다. 그 결과, 팀이 어떻게 공간을 창출하는지, 수비수가 어떻게 구역을 커버하는지, 그리고 선수의 고유한 신체적 특성이 경기의 흐름에 어떤 영향을 미치는지를 정밀하게 보여줄 수 있는 도구가 탄생했다.

이 접근법은 단순히 누가 공에 가장 가까운지를 알려주는 것이 아니라, 누가 그 주변 공간을 지배할 수 있는 물리적 능력을 갖추고 있는지를 알려준다. 이는 공간 통제가 고정된 영토가 아니라 속도, 민첩성, 그리고 반응의 유동적인 경쟁임을 드러낸다. 모든 선수를 자신만의 움직임 특징을 가진 고유한 개인으로 취급함으로써, 이 연구는 경기에 대한 더 명확하고 현실적인 시각을 제공한다. 이는 선수의 진정한 가치가 공을 가지고 무엇을 하느냐가 아니라, 공 없이 어떻게 움직이며 이전에 측정할 수 없었던 방식으로 경기장을 형성하느냐에 달려 있음을 시사한다. 이 새로운 프레임워크는 축구의 보이지 않는 기하학을 이해하는 토대를 제공하며, 경기의 혼란스러운 움직임을 개인의 역량과 전술적 통제의 이야기로 탈바꿈시킨다.

기술 요약: 축구에서의 선수 공간 점유에 관한 데이터 기반 프레임워크

문제 정의
현재의 축구 분석은 주로 공 중심의 지표(골, 도움, 패스 정확도)를 바탕으로 선수를 평가하며, 이는 선수가 공 없이 공간을 창출하고 통제하는 능력을 정량화하는 데 있어 상당한 공백을 남깁니다. 기존의 "지배 영역(Dominant Region)" 모델들이 역사적으로 공간 통제를 다루어 왔으나, 이러한 접근 방식들은 몇 가지 한계점을 가집니다. 즉, 모든 선수의 신체적 능력이 동일하다고 가정하거나, 회전 역학을 무시한 단순화된 움직임 행동을 활용하며, 계산 집약적인 비매개변수적 표현에 의존하고, 개별화된 반응 시간을 명시적으로 포함하지 못한다는 점입니다. 결과적으로, 광학 트래킹 데이터만을 활용하면서도 개별 선수의 고유한 운동 프로필을 고려하여 공간 점유를 추정할 수 있는 프레임워크가 필요합니다.

방법론
본 제안 프레임워크는 과거의 광학 트래킹 데이터로부터 도출된 개별화된 움직임 능력을 기반으로, 어떤 선수가 특정 영역에 가장 먼저 도달할 수 있는지를 결정함으로써 **선수 공간 점유(Player Spatial Ownership, PSO)**를 추정합니다. 방법론은 다음 단계로 진행됩니다.

데이터 입력 및 전처리:
- 시스템은 모든 선수, 심판, 공의 $(x, y)$ 좌표와 순간 속도를 25Hz 샘플링 레이트로 기록하는 광학 트래킹 데이터를 활용합니다.
- 경기장은 선수의 평균 측면 도달 거리(lateral reach)에 대응하는 28,560개의 균일한 격자 구역(50 cm $\times$ 50 cm)으로 이산화됩니다.
개별화된 움직임 프로필 추정:
- 균일한 파라미터를 가정하는 기존 모델과 달리, 본 프레임워크는 과거 데이터로부터 각 선수의 구체적인 운동학적 한계를 추출합니다.
- 선형 역학(Linear Dynamics): 최대/최소 속도( $v_{i,MAX}, v_{i,MIN}$ ), 가속/감속( $a_{i,MAX}, a_{i,MIN}$ ), 그리고 가속도의 변화율을 추정합니다.
- 각운동 역학(Angular Dynamics): 노이즈를 완화하기 위해, 0.4초마다 샘플링된 궤적으로부터 각속도( $\omega$ )와 각가속도( $\alpha$ )를 추정합니다. 모델은 최대/최소 각속도 및 각가속도와 그 변화율을 포착합니다.
- 반응 시간( $t_{r,i}$ ): 고정된 상수를 사용하는 대신, 공의 속도가 변화( $\ge 10$ m/s)하는 순간을 식별함으로써 개별화된 반응 시간을 추정합니다. 특정 각도 구역 내의 선수가 선형 또는 각가속도의 유의미한 변화를 보이는 데 걸리는 경과 시간을 반응 이벤트로 기록합니다.
움직임 시뮬레이션 모델:
목표 영역에 도달하는 시간을 추정하기 위해, 프레임워크는 두 가지 상호 보완적인 움직임 전략을 시뮬레이션하고 그 중 가장 짧은 시간을 유지합니다.
- 연속 가속 움직임(Continuous Accelerated Movement, CAM): 선수는 목표를 향해 전진하면서 방향을 지속적으로 조정하며, 멈추지 않고 목표를 향해 가속합니다.
- 단계적 반응적 움직임(Staged Reactive Movement, SRM): 선수는 방향을 바꾸는 동안 먼저 감속하여 정지하고, 잠재적으로 제자리에서 회전을 완료한 후, 목표를 향해 가속합니다.
- 시뮬레이션 단계:
  1. 반응 단계: 선수는 개별화된 반응 시간( $t_{r,i}$ ) 동안 현재의 움직임을 지속합니다.
  2. 회전 단계: 선수는 목표를 향해 방향을 조정합니다. 목표 방향은 해당 영역의 중심점(centroid)과 가장자리 중점(edge midpoints)으로 정의됩니다. 오버슈팅을 방지하기 위해 각가속도가 적용됩니다.
  3. 선형 단계: 선수는 목표를 향해 직선으로 전진합니다.
  - SRM의 경우, 정지 후 정렬되지 않았다면 선형 전진 전 단계로 "제자리 회전" 단계를 추가로 시뮬레이션합니다.
최적화 및 할당:
- 모든 격자 구역에 대해, 프레임워크는 모든 선수의 도착 시간을 계산합니다.
- 계산 효율성을 보장하기 위해, 선수들을 목표물까지의 유클리드 거리에 따라 정렬합니다. 특정 선수의 현재 추정 시간이 해당 구역에서 발견된 최단 시간을 초과하면 시뮬레이션을 조기에 중단(discard)합니다.
- 구역은 최소 도착 시간을 가진 선수에게 할당됩니다.

주요 기여

완전 데이터 기반 파라미터화: 본 프레임워크는 수동 파라미터 튜닝이나 모든 선수의 능력이 동일하다는 가정 없이, 광학 트래킹 데이터로부터 가속, 감속, 회전 역학 및 반응 시간을 직접 도출함으로써 기존의 한계를 제거합니다.
이중 움직임 전략: 연속 가속(CAM)과 단계적 반응적 움직임(SRM)을 모두 평가함으로써, 특히 회전 민첩성과 정지 메커니즘과 관련된 보다 광범위하고 현실적인 선수 행동을 포착합니다.
개별화된 반응 시간: 공의 속도 변화와 그에 따른 선수의 가속 반응을 기반으로 선수별 반응 시간을 추정하는 새로운 절차를 도입하여, 기존 지배 영역 모델의 공백을 해결합니다.
계산 효율성: 벡터화된 연산과 조기 종료(early-exit) 시뮬레이션 로직을 통해, 본 프레임워크는 웨어러블 센서 없이도 재현 가능하며 실시간 적용이 가능하도록 설계되었습니다.

결과 및 주장
본 논문은 이 방법론을 특정 경기 결과에 대한 연구나 외부 데이터셋을 사용한 타 모델과의 비교 벤치마크가 아닌, 하나의 완성된 프레임워크로서 제시합니다. 저자들은 단일 선수가 특정 영역을 목표로 할 때 CAM과 SRM 궤적이 어떻게 다른지를 보여주는 예시(예: 그림 3)를 통해 워크플로우를 입증합니다.

저자들은 이 방법론이 다음과 같은 기능을 제공한다고 주장합니다:

개별적인 신체적 한계와 반응 시간을 고려한 현실적인 공간 통제 추정치를 제공합니다.
표준 광학 트래킹 데이터만을 사용하는 재현 가능하고 해석 가능한 시스템을 제공합니다.
패스 기회, 공 없는 움직임, 전술적 의사결정 등에 관한 향후 분석을 위한 토대를 마련합니다.

의의
본 논문은 PSO를 최종적인 성과 지표가 아니라, 고급 전술 및 성과 분석을 구축할 수 있는 근본적인 **공간 표현(spatial representation)**으로 위치시킵니다. 기하학적 단순화에서 벗어나 개별화된 운동학적 모델링으로 나아감으로써, 본 프레임워크는 선수와 팀이 어떻게 공간을 창출, 유지 또는 상실하는지에 대한 더 깊은 이해를 가능하게 하는 것을 목표로 합니다. 저자들은 현재 구현이 2D 움직임과 데이터 기반 반응 시간에 국한되어 있으나, 이 접근 방식이 다른 침입 스포츠(invasion sports)에도 적용 가능하며 피로도와 같은 동적인 요인을 고려하도록 확장될 수 있음을 언급합니다.

기술 요약: 축구에서의 선수 공간 점유에 관한 데이터 기반 프레임워크

유사한 논문