럭비 스크럼은 두 팀의 포워드가 충돌하는 격렬한 장면이지만, 그 안에 담긴 힘의 크기와 방향을 실시간으로 측정하는 것은 쉽지 않다. 기존에는 압력 센서나 스크럼 머신이 필요했지만,이제 카메라 영상만으로 충격력을 예측하는 AI 모델이 등장했다.
영국 바스대학교와 스페인 카탈루냐공업대학교공동 연구팀은 순환신경망을 활용해 럭비 경기 영상에서 스크럼 접촉력을 예측하는 모델을 개발했다. 연구는 PLoS ONE에 2026년 4월 게재됐다. 11개 럭비팀의 실제 경기 스크럼 데이터를 학습에 활용했으며,생성적 적대 신경망과 믹스업 기법으로 데이터를 증강했다. 단일 카메라 영상에서 추출한 2D 관절 좌표를 입력값으로,압력 센서 측정값을 출력값으로 모델을 훈련시켰다.
결과는 인상적이었다. RNN 모델의 예측값과 실제 측정값 간 평균 상관계수는 0.95에 달했으며, 정규화 RMSE는 9.3±4.3%, 최고 충격력의 정규화 절대 오차는 6.7±5.5%에 불과했다. 이는 센서 없이 비디오만으로도 스크럼 충격력을 우수~탁월 수준으로 예측할 수 있음을 의미한다.
이 기술이 현장에 보급되면 부상 고위험 스크럼을 사전에 식별하고, 코치가 기술 교정을 위한 즉각적인 피드백을 제공하는 데 활용될 수 있다. 다만 현재 모델은 2D 영상 기반이며, 3D 움직임 정보의 손실과 다양한 카메라 앵글·조명 조건에서의 검증이 아직 과제로 남는다.
럭비 코치와 스포츠 과학자라면 기존의 스크럼 머신 중심 훈련 외에 영상 기반 바이오메카닉스 분석을 병행할 것을 권장한다. 선수 입장에서는 스크럼 시 머리와 목의 정렬이 충격력 분산에 결정적이므로, 데이터 기반 기술 훈련 강화가 경추 부상 예방의 핵심이다. 스마트폰 카메라 수준의 장비로도 향후 충분한 데이터 수집이 가능해질 전망이다.
📖 *Prediction of on-field rugby scrummaging contact forces from videos using artificial neural networks* |
논문 원문
※ 이 기사는 의학·스포츠과학 논문을 바탕으로 작성되었습니다. 개인 건강 상태에 따라 다를 수 있으니 전문의와 상담하세요.
In rugby, the scrum is one of the most physically demanding moments in any sport. Eight forwards from each team bind together and drive with everything they have. The forces involved are enormous -- and dangerously difficult to measure. Serious cervical spine injuries have been linked to scrummaging mechanics, yet traditional measurement methods require pressure sensors, specialized scrum machines, or lab setups that cannot follow players onto the field during a real game. Now, a team of researchers has found a way to predict those forces from nothing more than a video feed.
Scientists from the University of Bath and the Universitat Politecnica de Catalunya developed a recurrent neural network (RNN) model capable of predicting contact forces in rugby scrummaging using only 2D anatomical landmarks extracted from single-camera video footage. The study, published in PLoS ONE in April 2026, used data from 11 rugby teams (22 forward packs, 176 players) during real on-field scrum engagements. To expand the training dataset, the team applied generative adversarial networks (GANs) and the Mixup augmentation technique -- state-of-the-art approaches for working with small-sample machine learning problems in sports biomechanics.
The results exceeded expectations. The RNN achieved a mean correlation of 0.95 plus or minus 0.05 between predicted and measured time-dependent normal contact forces -- a rating of good to excellent agreement. Mean normalized RMSE was 9.3 plus or minus 4.3 percent, and the normalized absolute difference in peak force was just 6.7 plus or minus 5.5 percent. In practical terms, this means a single camera with no sensors on players can now reliably estimate the forces experienced during a live scrum.
The study's limitations center on its 2D nature. Real scrummaging is a three-dimensional event, and projecting it onto a flat plane inevitably loses information. Validation across varied camera angles, lighting conditions, and different competition levels is still needed before full-scale deployment. The training dataset, while augmented, remains relatively small compared to what production-grade systems would require.
For rugby coaches and performance analysts, the implications are significant. Integrating video-based force estimation into game film analysis could enable real-time technique feedback, identification of high-risk scrum engagements, and more targeted injury prevention programs -- all without adding sensor equipment to players. Athletes should prioritize head and neck alignment during engagement; the structural integrity of the cervical spine under load is ultimately what this technology is designed to protect.
📖 *Prediction of on-field rugby scrummaging contact forces from videos using artificial neural networks (AI prediction study, n=176)* |
Full Paper
This article is based on peer-reviewed sports science research. Individual responses may vary. Consult a healthcare professional for personalized advice.
