개인 맞춤형 동작 가이드 프레임워크

초록

본 연구는 야구 투수의 동작 데이터를 활용해 개인별 잠재공간을 학습하는 수직형 오토인코더 기반의 Personalized Motion Guidance Framework(PMGF)를 제안한다. 학습자의 동작과 전문가 동작을 잠재공간에서 보간하거나, 최적화된 방향으로 이동시켜 biomechanically 의미 있는 개선을 유도한다. 51명의 투수 1,275쌍에 대한 실험에서 스트라이드 길이·무릎 신전 등 성능 향상 특성이 재현되었으며, 향후 일반화된 제약조건을 포함한 general‑PMGF 확장이 제안된다.

상세 요약

PMGF는 기존 그룹 수준의 통계적 인사이트와 현장 코칭 사이의 격차를 메우기 위해 설계된 생성형 AI 프레임워크이다. 핵심은 ‘수직형(autoencoder)’ 구조로, 입력된 3차원 모션 시퀀스를 먼저 시간축을 따라 압축한 뒤, 각 프레임을 개별적으로 인코딩해 선수 고유의 잠재벡터(latent representation)를 만든다. 이 잠재벡터는 동일한 차원 구조를 유지하면서도 개인별 운동 패턴을 고유하게 표현한다는 점에서 기존의 전역 잠재공간과 차별화된다.

두 가지 잠재공간 조작 전략이 제안되었다. 첫 번째는 ‘관찰 학습(interpolative learning)’으로, 학습자와 목표(전문가) 잠재벡터 사이를 선형 보간해 연속적인 동작 전환을 생성한다. 보간 파라미터 α∈