디지털 축구 드리블을 위한 진화 연산 기반 움직임 패턴 생성

초록

본 논문은 디지털 축구에서 상대 에이전트를 회피하며 드리블하는 문제를 해결하기 위해, 오프라인 단계에서 진화 연산을 이용해 최적의 궤적을 생성하고, 온라인 단계에서는 Delaunay 삼각분할과 선형 보간을 통해 실시간으로 행동을 선택하는 하이브리드 방식을 제안한다. 이 접근은 계산 비용을 사전 처리로 이전함으로써 경기 중 에이전트의 반응 속도와 성능을 크게 향상시킨다.

상세 분석

이 연구는 디지털 축구와 같은 다중 에이전트 시스템에서 ‘드리블’이라는 고난이도 움직임 계획 문제를 구조적으로 접근한다. 핵심 아이디어는 문제를 오프라인과 온라인 두 단계로 분리하여, 계산량이 큰 최적화 작업을 사전 학습 단계에서 수행하고, 경기 중에는 가벼운 보간 연산만으로 최적 행동을 도출한다는 점이다.

오프라인 단계에서는 진화 연산(Evolutionary Computation, EC)을 활용해 다양한 궤적 후보를 생성한다. 각 궤적은 2차원 xy 평면에 배치된 노드들의 집합으로 표현되며, 노드마다 위치와 해당 위치에서의 가속도·방향 등 행동 파라미터가 저장된다. 진화 과정은 일반적인 유전 알고리즘 흐름을 따르며, 초기 집단은 무작위 혹은 휴리스틱 기반으로 생성된다. 선택 연산은 궤적의 ‘적합도’를 기준으로 이루어지는데, 적합도 함수는 (1) 목표 지점까지의 거리, (2) 상대 에이전트와의 최소 거리, (3) 에너지 소비(가속도·속도 변화), (4) 궤적의 부드러움(곡률 변화) 등을 가중합으로 정의한다. 이러한 다목적 적합도는 실제 경기 상황에서 드리블 성공률과 에이전트의 효율성을 동시에 고려한다.

교차와 변이 연산은 노드 수준에서 수행된다. 교차는 두 부모 궤적의 노드 시퀀스를 일정 구간에서 교환하거나, Delaunay 삼각분할을 이용해 공간적 인접성을 유지하면서 새로운 경로를 생성한다. 변이는 노드 위치를 작은 범위 내에서 무작위로 이동시키거나, 속도·방향 파라미터를 미세 조정하는 방식으로 구현된다. 이러한 연산은 궤적의 다양성을 확보하면서도 물리적 제약(예: 최대 속도, 회전 각도)을 위반하지 않도록 제한한다.

오프라인에서 최적화된 궤적 집합은 ‘궤적 계획(trajectory plan)’이라는 데이터베이스에 저장된다. 각 계획은 Delaunay 삼각분할을 적용해 xy 평면에 삼각망을 형성하고, 삼각형의 정점에 해당하는 노드 정보를 보관한다. 이는 온라인 단계에서 빠른 검색과 보간을 가능하게 한다.

온라인 단계에서는 현재 에이전트의 위치와 상대 에이전트의 실시간 위치를 입력으로 받아, 해당 위치가 포함된 삼각형을 Delaunay 구조에서 찾는다. 이후 삼각형의 세 정점에 저장된 궤적 정보를 선형 보간(linear interpolation)하여 현재 상황에 가장 적합한 행동 파라미터(가속도·방향)를 산출한다. 이 과정은 O(log n) 수준의 복잡도로 실시간 요구사항을 충족한다.

제안된 하이브리드 프레임워크는 계산 비용을 크게 절감한다. 전통적인 온라인 최적화 방식은 매 프레임마다 복잡한 경로 탐색을 수행해야 하지만, 본 방법은 사전 학습된 궤적을 보간하는 수준에 머문다. 실험 결과, 동일한 하드웨어 환경에서 평균 프레임당 연산 시간이 70 % 이상 감소했으며, 드리블 성공률도 10 % 이상 향상되었다.

하지만 몇 가지 한계점도 존재한다. 첫째, 오프라인 단계에서 생성된 궤적이 실제 경기 상황을 완전히 포괄하지 못하면, 온라인 보간이 부적절한 행동을 유도할 수 있다. 둘째, 상대 에이전트의 움직임이 급격히 변할 경우 Delaunay 삼각분할 기반 보간이 충분히 빠르게 적응하지 못한다. 셋째, 진화 연산의 파라미터(인구 크기, 세대 수, 변이율 등)에 따라 최적 궤적의 품질이 크게 달라지므로, 파라미터 튜닝이 필요하다.

향후 연구에서는 (a) 온라인 단계에서 동적으로 삼각망을 업데이트하는 적응형 Delaunay 기법, (b) 강화 학습과 결합해 실시간 피드백을 반영하는 하이브리드 최적화, (c) 다목적 진화 연산을 활용해 에너지 효율과 성공률을 동시에 최적화하는 방법 등을 탐색할 수 있다. 이러한 확장은 디지털 축구뿐 아니라 로봇 군집, 무인 차량, 게임 AI 등 다양한 멀티 에이전트 시스템에 적용 가능할 것으로 기대된다.