CausalTraj: 팀 스포츠에서 협동적인 다중 에이전트 궤적 예측

초록

본 연구는 다중 에이전트의 상호작용이 중요한 팀 스포츠 환경에서, 개별 정확도 지표에만 집중하는 기존 궤적 예측 모델의 한계를 지적합니다. 저자들은 시간적 인과관계와 가능도 기반 학습을 통해 에이전트들의 ‘공동으로 그럴듯한’ 미래 시나리오를 생성하는 CausalTraj 모델을 제안합니다. NBA 및 축구 데이터에서 기존 모델 대비 경쟁력 있는 개별 정확도를 유지하면서, 새로이 강조한 공동 정확도 지표(minJADE, minJFDE)에서 최고 성능을 기록하며, 질적으로도 일관된 게임 진행을 생성합니다.

상세 분석

이 논문의 핵심 기술적 기여는 크게 두 가지로 요약됩니다: 새로운 평가 체계의 도입과 이에 부합하는 인과적 모델 아키텍처의 제안.

첫째, 평가 체계의 혁신입니다. 기존 연구 대부분이 개별 에이전트의 궤적 오차(minADE, minFDE)만을 최적화하고 평가했습니다. 이는 각 에이전트의 ‘가장 좋은 예측’을 독립적으로 평가하므로, 여러 에이전트의 예측 궤적이 함께 모였을 때 물리적, 전술적으로 타당한 시나리오를 형성하는지(‘공동 정확도’) 평가하지 못합니다. 저자들은 이를 해결하기 위해 ‘공동 정확도 지표’(minJADE, minJFDE)를 주요 평가 기준으로 삼습니다. 이 지표는 생성된 k개의 미래 시나리오 샘플 각각을 하나의 ‘공동 미래’로 보고, 에이전트들의 궤적을 집합적으로 평가하여 가장 정확한 시나리오를 선택합니다. 이는 모델이 진정한 ‘공동 분포’를 학습했는지를 측정하는 더 적합한 지표입니다.

둘째, 이러한 공동 분포 학습을 위한 ‘CausalTraj’ 아키텍처입니다. 모델의 핵심은 ‘시간적 인과성’을 가진 가능도 기반 접근법입니다. 미래 궤적을 한 번에 병렬 예측하는 대신, 다음 시간 단계의 모든 에이전트 변위를 조건부 분포로 예측하고 이를 순차적으로 샘플링합니다(자기회귀 생성). 이 인과적 구조는 장기적인 시간 의존성과 에이전트 간 상호작용을 하나의 고정된 잠재 표현에 압축해야 하는 부담을 줄여줍니다. 구체적인 구현에서는 (1) 각 에이전트의 역사를 독립적으로 인코딩하는 ‘Causal PointNet’ 또는 ‘Mamba2’ 인코더, (2) 트랜스포머 기반의 ‘에이전트 간 관계 인코더’를 통해 당시의 상호작용을 모델링, (3) 명시적인 공간 정보(상대적 위치)를 주입하기 위한 ‘Spatial Relation Transformer’ 블록을 결합했습니다. 출력은 다중 정규분포 혼합 모델로, 각 시간 단계에서 에이전트들의 공동 변위에 대한 다중 모드 분포를 표현합니다.

실험 결과, CausalTraj는 NBA SportVU, Basketball-U, Football-U 데이터셋에서 기존 최신 모델(MoFlow, LED 등)과 비교해 개별 지표(minADE/FDE)에서는 비슷하거나 약간 우수한 성능을, 공동 지표(minJADE/JFDE)에서는 확실한 우위를 기록했습니다. 이는 CausalTraj가 개별 궤적의 정확함과 더불어, 에이전트들이 함께 만들어내는 시나리오의 일관성과 현실성을 더 잘 포착하고 있음을 의미합니다. 정성적 결과에서도 CausalTraj는 선수들의 포지셔닝과 공의 이동이 조화로운, 실제 경기와 유사한 시나리오를 생성했습니다.

이 연구는 궤적 예측 분야에서 ‘무엇을 평가할 것인가’에 대한 근본적인 질문을 던지며, 단순한 위치 오차 최소화를 넘어 시스템의 진정한 생성 능력(공동 분포 모델링)을 평가하고 향상시키는 방향을 제시했습니다. 이는 전술 시뮬레이션, AI 코치 등 보다 고급 스포츠 분석 응용의 기반을 마련할 수 있습니다.