[Paper] 축구에서 오프볼 수비 역할 및 성과 평가를 위한 Machine Learning Framework

Source: arXiv - 2601.00748v1

개요

이 논문은 축구 수비수들이 볼이 없는 상황에서 어떻게 수행하는지를 정량화하기 위한 새로운 머신러닝 파이프라인을 제시한다—특히 코너킥 상황에서. 공변량 의존 히든 마코프 모델(CDHMM)과 선수 추적 데이터를 결합함으로써, 저자들은 누가 누구를 마크하고 있는지(맨마크 vs. 존얼)를 자동으로 추론하고, 각 플레이의 전술적 맥락을 고려한 방식으로 방어 기여도를 할당할 수 있다.

주요 기여

• 공변량‑종속 HMM을 이용한 수비 역할 탐지 – 라벨이 없는 모델로, 추적 데이터에서 시간에 따라 변하는 맨마킹 및 존 할당을 직접 학습합니다.
• 역할‑조건화 고스팅 프레임워크 – 수비수의 실제 움직임을 동일한 수비 역할의 평균 행동을 따르는 “고스트”로 대체하는 반사실 시뮬레이션으로, 공정한 성능 비교를 가능하게 합니다.
• 수비 기여도 귀속 지표 – 역할‑조건화 기준에 비해 수비수가 상대의 기대 포셉션 가치(EPV)를 얼마나 감소시키는지를 측정함으로써 오프볼 수비 영향을 정량화하는 새로운 방법.
• 코너킥에 대한 집중 적용 – 세트피스의 고도로 구조화된 특성을 활용하여 접근법을 검증하고 해석 가능성을 보여줍니다.
• 오픈소스 구현 – 저자들은 재현성과 추가 연구를 촉진하기 위해 코드와 처리된 데이터셋을 공개합니다.

Methodology

1. Data collection – 고주파(10 Hz) 선수 추적 및 이벤트 데이터(프로 경기에서 수집)로, 코너킥 상황에 초점을 맞춤.
2. Feature engineering – 각 수비수의 관측 가능한 공변량(위치, 속도, 상대와의 거리, 골대와의 각도 등)을 모델에 입력.
3. Covariate‑dependent HMM (CDHMM) – 전이 확률이 고정된 표준 HMM과 달리, CDHMM은 현재 공변량에 따라 상태 전이를 조건화하여 전술적 변화를 포착함(예: 볼이 전달될 때 영역 마크에서 인간 마크로 전환). 숨겨진 상태는 수비 역할에 해당함.
4. Inference – 공변량 의존성을 반영하도록 조정된 Viterbi 알고리즘을 사용해 코너킥 전체 동안 각 선수의 가장 가능성 높은 수비 역할 시퀀스를 도출.
5. Ghosting simulation – 각 수비수에 대해 학습된 역할별 움직임 분포에서 샘플링하여 “유령” 궤적을 생성, 즉 해당 역할의 전형적인 선수가 행동했을 경우를 시뮬레이션.
6. Credit attribution – 실제 시나리오와 유령 시나리오 간 EPV 차이(표준 포제션‑밸류 모델을 통해 계산)를 이용해 수비수의 오프볼 기여도를 정량화.

Results & Findings

• 역할 탐지 정확도 – CDHMM은 라벨 없이 학습했음에도 불구하고 수동으로 주석된 방어 할당과 85 % 이상의 일치를 보인다.
• 해석 가능성 – 추론된 역할 시퀀스의 시각화가 알려진 전술 패턴과 일치한다(예: 수비수가 공이 가까워질 때까지 구역 방어를 유지하고, 이후 man‑mark으로 전환).
• 방어 기여도 분배 – EPV‑기반 기여도 지표는 공에 직접 관여하지 않더라도 지속적으로 상대의 득점 확률을 감소시키는 수비수를 강조한다.
• 반사실 검증 – 가상 시나리오가 생성한 EPV 곡선은 동일 역할의 평균 수비수와 통계적으로 구별되지 않아 기준선의 공정성을 확인한다.
• 사례 연구 – 저자들은 특정 코너킥에서 수비수의 오프볼 포지셔닝이 상대의 기대 득점 확률을 최대 0.12 EPV 단위만큼 감소시킨 사례를 제시하며, 이는 팽팽한 경기에서 실질적인 영향을 미친다.

Practical Implications

• Coaching & scouting – 팀은 이제 오프볼(공이 없는 상황) 규율을 반영하는 지표로 수비수를 평가할 수 있어, 태클이나 인터셉션만이 아니라 포지셔닝에 초점을 맞춘 영입 및 훈련에 활용할 수 있다.
• Performance dashboards – 이 프레임워크는 기존 분석 플랫폼에 통합되어 전통적인 온볼 통계와 함께 수비 기여도를 표시함으로써 선수 가치에 대한 보다 포괄적인 그림을 제공한다.
• Live‑match insights – 실시간 트래킹을 통해 모델이 수비수가 기대 역할에서 벗어날 경우 이를 표시하여 코치가 즉시 전술 조정을 할 수 있다.
• Betting & fantasy sports – 보다 세분화된 수비 지표는 현재 오프볼 기여도를 과소평가하는 시장에서 더 정확한 선수 가치 모델을 가능하게 한다.
• Generalizable to other set‑pieces – 본 연구가 코너킥에 초점을 맞추었지만, CDHMM 아키텍처는 프리킥, 스로인, 혹은 수비 구조가 중요한 오픈플레이 단계에도 적용할 수 있다.

제한 사항 및 향후 연구

• 코너킥에 한정된 범위 – 세트피스의 고도로 구조화된 특성으로 역할 추론이 단순화됩니다; 오픈 플레이로 확장하려면 더 큰 변동성과 노이즈를 처리해야 합니다.
• 고품질 트래킹에 대한 의존성 – 이 접근법은 정밀하고 고주파수의 위치 데이터에 접근할 수 있다고 가정하지만, 이는 모든 리그나 하위 티어 경기에서는 제공되지 않을 수 있습니다.
• 단순화된 유령 분포 – 현재 유령 모델은 역할 행동을 가우시안 근사에서 샘플링합니다; 보다 풍부한 생성 모델(예: 조건부 VAE)은 미묘한 전술적 뉘앙스를 포착할 수 있습니다.
• EPV 모델의 잠재적 편향 – 방어 기여 지표는 기본 점유 가치 모델에 존재하는 편향을 물려받습니다; 향후 연구에서는 EPV와 방어 역할을 공동 학습하는 방안을 탐색해야 합니다.
• 사용자 친화적인 도구 – 연구 코드를 클럽용 플러그인·플레이 분석 위젯으로 전환하는 것은 아직 해결되지 않은 엔지니어링 과제입니다.

전반적으로 이 논문은 “보이지 않는” 오프볼 작업을 정량화 가능한 실행 가능한 인사이트로 전환함으로써 방어 분석의 최전선을 확장합니다—이는 팀이 방어 인재를 평가하고 개발하는 방식을 재구성할 수 있는 진전입니다.

저자

• Sean Groom
• Shuo Wang
• Francisco Belo
• Axl Rice
• Liam Anderson

논문 정보

• arXiv ID: 2601.00748v1
• 분류: cs.LG
• 발행일: 2026년 1월 2일
• PDF: PDF 다운로드