유사도 기반 강화학습을 이용한 맞춤형 골프 스윙 교정에 관한 연구

국문 초록 (Abstract)

최근 포즈 추정 기반의 운동 분석 연구는 골프, 테니스, 피트니스 등 다양한 분야에서 활용되고 있으나, 대부분의 연구가 정적 포즈 유사도에 기반하여 전문가와 비전문가의 자세 차이를 비교하는 데 머무르고 있다. 이러한 접근 방식은 시퀀스 내의 시간적 흐름이나 리듬, 속도 변화 등 운동의 역동적 특성을 반영하지 못하는 한계가 있다. 또한, 기존 연구들 은 신체 중심점의 안정성이나 골반 정렬을 고려하지 않아 전체적인 자세 균형과 실제 동작의 연속성을 충분히 보장하지 못했다. 본 연구는 강화학습을 이용하여 전문가 스윙과 사용자의 스윙 데이터 를 단계별로 정렬한 뒤, 프레임 단위의 보상 함수를 통해 사용자의 동작 을 점진적으로 교정하는 방법을 제안한다. 제안된 시스템은 (1) L2 오차 기반의 정적 포즈 유사도 보상, (2) ΔL2 개선율을 반영한 변화량 보상, (3) V-DTW(Velocity-DTW)를 이용한 리듬 및 템포 보상, (4) Hip alignment 보상을 포함하여 전문가와 유사한 중심 이동 및 리듬 구조를 학습할 수 있도록 설계되었다. PPO(Proximal Policy Optimization)의 Actor-Critic 구조를 기반으로 Actor는 교정 벡터인 Action을 산출하고 Critic은 보상을 예측하며, 이를 Advantage 기반으로 최적 정책(policy) 를 학습한다. 제안된 모델은 기존 모델 대비 평균 오차를 50% 이상 감소시켰으며 단순한 정적 자세 비교를 넘어 운동의 리듬과 중심 안정성을 함께 학습 한 강화학습 기반 동작 교정 모델의 가능성을 보여준다. 향후 본 연구는 실시간 피드백, 다중 전문가 데이터 클러스터링, 3D 포즈 확장 등으로 발전하여, 개인화된 운동 코치 시스템으로의 확장 가능성을 지닌다.

목차 (Table of Contents)

• 국문초록 i
• 목 차 ii
• 표 목 차 iv
• 그림목차 v
• 제 1장 서론 1
• 1.1. 연구 배경 및 동기 1
• 1.2. 연구 목적 및 논문의 구성 3
• 제 2장 관련 연구 및 한계 분석 4
• 2.1. 포즈 추정 기반 골프 스윙 분석 연구 4
• 2.2. 유사도 측정 및 시간 정렬 기법 5
• 2.3. 강화학습 기반 동작 보정 연구 6
• 2.4. 기존 연구의 문제점 분석 7
• 2.4.1. 정적 유사도 중심 접근의 한계 7
• 2.4.2. 시퀀스 정렬의 불완전성 7
• 2.4.3. 중심 안정성 미고려 7
• 2.4.4. 리듬 및 템포 정보의 반영 부족 8
• 제 3장 제안 기법 및 시스템 아키텍처 9
• 3.1. 연구 개요 9
• 3.1.1. 연구 방법론 11
• 3.2. 시스템 아키텍처 13
• 3.3. 전처리 과정 15
• 3.3.1. 단계별 정렬 15
• 3.3.2. 좌표 정규화 17
• 3.4. 보상 함수 설계 19
• 3.4.1. L2 오차 기반 보상 19
• 3.4.2. ΔL2 개선율 보상 20
• 3.4.3. Hip Alignment 보상 20
• 3.4.4. Velocity-DTW 보상 21
• 3.4.5. 최종 보상식 21
• 3.5. 강화학습 구조 23
• 3.5.1. Actor-Critic 네트워크 구조 23
• 3.5.2. PPO의 손실 함수 23
• 3.5.3. 학습 절차 24
• 제 4장 실험 결과 29
• 4.1. 실험 환경 구성 29
• 4.2. 실험 설계 및 구현 31
• 4.3. 평가 지표 32
• 4.3.1. Exp-A 32
• 4.3.2. Exp-B 32
• 4.4. 성능 평가 33
• 4.4.1. L2 거리 기반 정적 유사도 33
• 4.4.2. DTW 기반 리듬 유사도 41
• 4.5. 종합 분석 49
• 4.5.1. 실험별 개선 요약 49
• 4.5.2. 시각적 결과 비교 51
• 제 5장 결론 58
• 5.1. 연구 요약 58
• 5.2. 결론 59
• 참고문헌 60
• Abstract 64