다음 세대 익스게임을 위한 맞춤형 테니스 스윙 자동 평가

초록

본 논문은 관절 및 라켓에 부착된 관성 센서와 고속 3D 모션 캡처를 활용해, 공 충격 없이도 테니스 포핸드 스윙의 기술적 오류를 자동으로 식별하는 방법을 제안한다. 레이턴시가 낮은 스윙 구간을 ROI로 설정하고, 라켓 ‘스위트 스팟’의 움직임을 가상 마커로 재구성한 뒤, 움직임 그래디언트 벡터 흐름을 특징으로 추출한다. 이 특징을 다항 회귀와 라디얼 베이시스 함수(RBF) 분류기에 입력하여, 사전 정의된 코치의 주관적 평가 기준에 따라 좋은 스윙과 나쁜 스윙을 84.5 %~94.6 % 정확도로 구분한다. 소규모 데이터셋(수십 개 스윙)만으로도 학습이 가능하며, 다양한 숙련도와 코칭 시나리오에 맞춰 라벨링 기준을 유연하게 교체할 수 있다.

상세 분석

본 연구는 기존 익스게임 시스템이 제공하는 정량적 움직임·충격 데이터에 머무르는 한계를 극복하고, 코치가 제공하는 정성적 피드백을 자동화하려는 시도로서 의미가 크다. 데이터 수집은 9대 카메라 기반 옵티컬 모션 캡처 시스템(eMotion BTS‑SMART‑e900)으로 50 Hz, 서브밀리미터 정밀도의 3D 좌표를 얻었으며, 최소 22개의 마커(인체·라켓 포함)를 이용해 스틱 피규어 형태의 가상 모델을 생성한다. 핵심 전처리 단계는 라켓 스트링 베드와 일치하도록 3개의 마커로 라켓 평면을 정의하고, 그 평면상의 가상 ‘스위트 스팟’ 마커를 계산하는 것이다. 이 가상 마커의 연속 좌표를 시간에 대해 미분해 얻은 속도와 가속도 정보를 기반으로, 공간‑시간상의 변화가 가장 급격한 방향을 나타내는 그래디언트 벡터 흐름을 구한다. 저자는 이 흐름을 단일 스칼라 시퀀스로 변환하고, 다항 회귀(Polynomial Regression)로 차원을 압축한 뒤, 라디얼 베이시스 함수(RBF) 신경망에 입력한다. RBF는 비선형 경계면을 유연하게 학습할 수 있어, 코치가 정의한 ‘좋은 스윙’·‘나쁜 스윙’ 라벨링 기준을 그대로 반영한다.

학습 데이터는 ‘좋은’·‘나쁜’ 스윙을 각각 30~40개씩, 총 70여 개 정도로 매우 제한적이었다. 그럼에도 불구하고 교차 검증 결과, 정확도는 84.5 %에서 94.6 % 사이에 머물렀으며, 특히 새로운 오류 패턴(훈련에 포함되지 않은)까지도 80 % 이상의 인식률을 보였다. 이는 그래디언트 벡터 흐름이 스윙의 전반적인 형태와 타이밍을 포괄적으로 포착하기 때문에, 개별 마커의 노이즈나 작은 변형에 강인함을 의미한다.

또한 논문은 두 가지 주관적 평가 기준—(1) 초보자에게 흔히 나타나는 오픈 스탠스·스윙 볼륨 부족, (2) 중급자에게 나타나는 회전·타이밍 미스—을 별도로 라벨링하고, 동일 모델에 적용함으로써 ‘맞춤형 평가 기준’의 유연성을 입증했다. 이는 코치가 훈련 단계·선수 수준에 따라 라벨링 규칙을 바꾸면, 동일 알고리즘이 즉시 재학습 없이도 새로운 피드백을 제공할 수 있음을 시사한다.

한계점으로는 데이터셋 규모가 작아 일반화 가능성을 완전히 검증하기 어렵다는 점, 라켓과 몸통 마커가 고정되지 않은 실제 경기 환경에서의 적용 가능성, 그리고 ‘스윙 품질’이라는 복합 개념을 단일 그래디언트 흐름 하나에 압축함으로써 미세한 기술 차이를 놓칠 위험이 있다. 향후 연구에서는 실시간 스트리밍 데이터와 클라우드 기반 라벨링 인터페이스를 결합해, 코치와 선수 간의 인터랙티브 피드백 루프를 구현하는 것이 바람직하다.