인체 전신 움직임의 저차원 동역학 모델링: 베이스볼 피칭을 중심으로

초록

본 연구는 신경형 미분방정식(NODE)을 활용해 비주기적 전신 움직임을 저차원 잠재 공간의 동역학 시스템으로 모델링한다. 야구 피칭 데이터를 대상으로 초기 8% 구간만으로 전체 움직임을 예측했으며, R² > 0.45의 재현성을 보였다. 초기 조건이 잠재 공간에서 정의된 ODE 흐름에 따라 후속 움직임을 결정한다는 점을 실증함으로써 기존 동역학 접근법을 복잡한 실제 동작에도 확장할 가능성을 제시한다.

상세 분석

이 논문은 인간 운동 제어 연구에서 오래된 ‘자유도 문제’를 현대 딥러닝 기반 동역학 모델링으로 해결하려는 시도다. 기존 동역학 접근법(DSA)은 주기적이거나 단순한 움직임에 국한돼 왔으며, 복잡한 전신 동작을 수학적으로 기술하기 위해서는 사전 정의된 집합 변수와 주기성 가정이 필요했다. 저자들은 이러한 제약을 넘어, Neural Ordinary Differential Equations(NODE)를 이용해 데이터에서 직접 미분 방정식 형태의 흐름을 학습한다는 점에서 혁신적이다.

구조적으로 모델은 (1) Transformer 기반 인코더가 45차원(15관절 × 3축) 시계열을 3차원 잠재 공간으로 압축하고, (2) 인코더가 추출한 초기 잠재 상태(z₀)를 ODE 네트워크(MLP)로 정의된 벡터 필드에 입력해 연속적인 잠재 궤적을 생성한다. (3) 디코더(MLP)가 잠재 궤적을 다시 원본 차원으로 복원한다. VAE 형태의 손실 함수는 재구성 오차와 KL 발산을 동시에 최소화해 잠재 분포를 정규화함으로써, 연속적이고 매끄러운 흐름을 보장한다.

데이터는 8명의 대학 리그 투수(총 174 회)로부터 200 Hz로 수집된 3D 관절 위치를 사용했으며, 피칭 동작을 ‘무릎 최고점 → 손목 최고속도’ 사이의 구간으로 정의했다. 시간 정규화를 하지 않아 실제 물리적 시간 흐름을 유지했으며, 이는 ODE 기반 모델이 실제 시간에 대한 예측력을 평가할 수 있게 한다.

실험에서는 10‑fold 교차검증을 적용해 초기 8% 구간(≈0.08 × 전체 프레임)만을 인코더에 입력하고, 나머지 92%를 ODE‑디코더 파이프라인으로 예측했다. 결과는 평균 R² > 0.45, 특히 후반부(공 방출 이후) 구간에서 약 50%의 변동성을 초기 구간만으로 설명한다는 점에서, 잠재 동역학이 움직임의 전이 과정을 강력히 제어한다는 것을 보여준다. 베이스라인(평균값 예측) 대비 RMSE 감소와 시간별 결정계수(R²)의 향상은 통계적 평균 모델을 넘어선 동역학적 제약을 학습했음을 의미한다.

의미론적으로, 약 3차원의 잠재 차원으로 전신 45차원 움직임을 압축한다는 것은 인간 운동이 고차원 자유도를 가진 동시에 저차원 협동 패턴으로 조직된다는 기존 이론을 데이터‑드리븐 방식으로 입증한다는 점에서 학문적 가치를 가진다. 또한, NODE가 미분 방정식 형태를 직접 학습함으로써, 전통적인 DSA에서 요구되던 ‘집합 변수 설계’를 자동화한다는 점은 향후 다양한 스포츠·재활·로보틱스 분야에 적용 가능성을 열어준다. 다만, 현재 모델은 피처 차원을 3으로 제한했으며, 더 복잡한 동작(예: 다중 단계 전술 동작)이나 외부 교란에 대한 강인성 검증은 추가 연구가 필요하다.

요약하면, 이 연구는 (1) 전신 비주기적 움직임을 저차원 잠재 ODE로 성공적으로 모델링, (2) 초기 조건만으로 전체 동작을 예측할 수 있음을 실증, (3) 기존 DSA의 적용 범위를 실시간 복합 동작으로 확장하는 데 기여한다는 점에서 의미가 크다.