TacticGen: 축구 전술의 적응 가능하고 확장 가능한 생성 기술

TacticGen: Grounding Adaptable and Scalable Generation of Football Tactics

축구에서 성공은 개인의 기량뿐만 아니라 조직적인 전술에 달려 있습니다. 최근 시공간 데이터와 딥러닝 기술의 발전으로 선수 이동 경로 예측과 같은 예측 분석이 가능해졌지만, 전술 설계 분야는 여전히 제한적입니다. 이 간극을 해소하는 것은 매우 중요합니다. 예측은 발생할 가능성이 높은 상황을 보여주는 반면, 전술 생성은 전략적 목표 달성을 위해 어떤 상황이 발생해야 하는지를 결정합니다. 본 연구에서는 적응 가능하고 확장 가능한 전술 생성을 위한 생성 모델인 TacticGen을 제시합니다. TacticGen은 전술을 게임 상황에 따라 결정되는 다중 에이전트의 움직임 및 상호 작용의 시퀀스로 표현합니다. TacticGen은 플레이어 간의 협력 및 경쟁 역학 관계를 파악하기 위해 에이전트별 자체 어텐션과 문맥 인식 교차 어텐션을 사용하는 다중 에이전트 디퓨전 트랜스포머를 사용합니다. 330만 건 이상의 이벤트 데이터와 1억 건 이상의 추적 프레임을 사용하여 학습된 TacticGen은 최첨단 수준의 선수 이동 경로 예측 정확도를 달성합니다. TacticGen은 이를 기반으로 규칙, 자연어 또는 신경망 모델을 통해 지정된 다양한 목표에 맞춰 적응 가능한 전술 생성이 가능합니다. 또한, TacticGen의 모델링 성능은 본질적으로 확장 가능합니다. 축구 전문가와의 사례 연구를 통해 TacticGen이 현실적이고 전략적으로 가치 있는 전술을 생성한다는 것을 확인했으며, 이는 프로 축구의 전술 계획에 실질적인 유용성을 제공합니다. 프로젝트 페이지는 다음 주소에서 확인할 수 있습니다: https://shengxu.net/TacticGen/.

Success in association football relies on both individual skill and coordinated tactics. While recent advancements in spatio-temporal data and deep learning have enabled predictive analyses like trajectory forecasting, the development of tactical design remains limited. Bridging this gap is essential, as prediction reveals what is likely to occur, whereas tactic generation determines what should occur to achieve strategic objectives. In this work, we present TacticGen, a generative model for adaptable and scalable tactic generation. TacticGen formulates tactics as sequences of multi-agent movements and interactions conditioned on the game context. It employs a multi-agent diffusion transformer with agent-wise self-attention and context-aware cross-attention to capture cooperative and competitive dynamics among players and the ball. Trained with over 3.3 million events and 100 million tracking frames from top-tier leagues, TacticGen achieves state-of-the-art precision in predicting player trajectories. Building on it, TacticGen enables adaptable tactic generation tailored to diverse inference-time objectives through classifier guidance mechanism, specified via rules, natural language, or neural models. Its modeling performance is also inherently scalable. A case study with football experts confirms that TacticGen generates realistic, strategically valuable tactics, demonstrating its practical utility for tactical planning in professional football. The project page is available at: https://shengxu.net/TacticGen/.