목록으로
생활 속 AI 활용
AI가 실시간으로 볼더링 클라이밍 동작을 분석하는 나만의 코치, MoveCl
AI로 클라이밍 동작을 실시간 분석하는 스마트 코치, MoveCl
🤖 활용 AI 도구
YOLOv8s-pose, GRU 기반 시계열 동작 분석 AI
① 어떤 상황에서 AI를 활용했나요?
클라이밍을 하면서 가장 불편했던 점은 내가 실제로 어떻게 움직였는지를 객관적으로 확인하기 어렵다는 것이었습니다.
같은 문제를 여러 번 시도해도 어떤 동작이 이전과 달라졌는지, 몸의 균형이나 움직임의 흐름이 어떻게 변했는지를 등반 중에는 직접 확인하기 어렵습니다.
영상을 촬영한 뒤 다시 보거나 주변 사람의 피드백을 받는 방법도 있지만, 매번 영상을 직접 확인해야 하고 사람의 감각에 의존한다는 한계가 있었습니다.
저는 이 문제를 스마트폰 카메라와 AI를 활용해 해결해보고자 했습니다.
별도의 전문 촬영 장비나 웨어러블 센서 없이 평소 사용하는 스마트폰으로 클라이밍 모습을 촬영하면서, AI가 사용자의 움직임을 실시간으로 분석할 수 있는 서비스인 MoveCl(무브클)을 직접 개발해 실제로 활용하고 있습니다.
② 어떤 AI를 어떻게 활용했나요?
MoveCl은 스마트폰 카메라의 영상을 단순히 녹화하는 것이 아니라, AI가 영상 속 사용자의 움직임을 실시간으로 분석합니다.
전체 분석 과정은 다음과 같습니다.
실시간 카메라 영상
→ YOLOv8s-pose 자세 인식
→ 유효 인물 추적
→ 실제 등반 상황 판단
→ 유효 포즈 데이터 누적
→ 여러 사용자의 실제 등반 데이터를 학습 데이터로 구축
→ GRU 기반 시계열 동작 학습·분석
→ 사용자의 움직임 점수화 및 실시간 화면 표시
먼저 YOLOv8s-pose를 활용해 영상 속 사람의 신체 자세와 관절 정보를 추출합니다.
클라이밍장에서는 여러 사람이 동시에 화면에 들어올 수 있기 때문에 단순히 화면에 보이는 모든 사람을 분석하지 않고, 실제 분석 대상이 되는 사용자를 지속적으로 추적합니다.
또한 사람이 화면에 있다는 이유만으로 바로 점수를 계산하지 않고, 사용자가 실제 등반 중인지 판단한 뒤 분석에 사용할 수 있는 유효한 자세 데이터만 수집합니다.
MoveCl은 한 순간의 자세만으로 전체 동작을 판단하지 않습니다. 연속적으로 발생하는 자세 데이터를 시계열 형태로 분석해 사용자의 움직임 흐름을 평가합니다.
특히 여러 사용자의 실제 클라이밍 동작에서 확보한 자세 데이터를 학습 데이터로 활용하고 있으며, 새로운 실제 등반 데이터를 추가하면서 다양한 사람의 움직임을 모델에 반영하고 분석 모델을 지속적으로 개선할 수 있도록 구성했습니다.
수집된 연속적인 움직임은 GRU 기반 시계열 모델을 활용해 분석합니다.
따라서 단순히 팔이나 다리의 특정 각도가 몇 도인지 확인하는 방식이 아니라, 실제 클라이밍 과정에서 사용자가 시간에 따라 어떻게 움직였는지를 AI가 분석하는 방식입니다.
분석 결과는 MoveCl 앱의 실시간 화면에 바로 표시됩니다.
사용자는 전체 점수뿐 아니라 균형, 상체, 하체, 코어 안정, 부드러움, 동작 효율 등 여러 세부 지표를 실시간으로 확인할 수 있습니다.
예를 들어 실제 분석 화면에서는 전체 점수가 100점 기준으로 표시되고, 그 아래에 각 움직임 요소별 점수가 함께 제공되어 단순히 잘했다, 못했다가 아니라 어떤 부분이 상대적으로 좋았고 어떤 부분을 개선할 수 있는지 보다 구체적으로 확인할 수 있도록 했습니다.
③ AI를 활용한 결과 어떤 변화가 있었나요?
기존에는 클라이밍 영상을 촬영해도 대부분 성공 또는 실패 장면을 기록하거나, 촬영이 끝난 뒤 영상을 직접 다시 보면서 자세를 판단해야 했습니다.
MoveCl에 AI를 적용한 이후에는 단순한 영상 기록을 넘어 영상 속 사람의 움직임을 데이터로 분석하고, 그 결과를 점수와 세부 지표로 확인할 수 있게 되었습니다.
기존에는 등반 영상을 촬영해서 보관하는 방식이었다면, MoveCl에서는 등반하는 순간부터 AI가 움직임을 분석하고 그 결과를 다음 운동에 활용할 수 있도록 했습니다.
현재 실시간 분석 화면에서는 사용자의 등반 동작에 대해 전체 점수를 100점 기준으로 보여주고, 균형, 상체, 하체, 코어 안정, 부드러움, 동작 효율과 같은 세부 항목도 함께 표시합니다.
이를 통해 사용자는 단순히 최종 점수 하나만 확인하는 것이 아니라 자신의 움직임 가운데 어느 요소가 상대적으로 안정적이었고 어느 부분을 더 개선할 수 있는지를 보다 세분화해서 확인할 수 있습니다.
클라이밍은 같은 문제를 여러 번 반복하면서 자신의 동작을 수정하는 운동입니다.
따라서 단순히 성공했는지 실패했는지만 기록하는 것보다 자신의 움직임이 어떻게 달라졌는지, 어떤 요소의 점수가 변했는지를 함께 확인할 수 있다면 훈련 과정에서 더 다양한 정보를 활용할 수 있습니다.
MoveCl은 실제 등반 영상과 AI 분석 결과를 함께 기록함으로써 사용자가 자신의 운동 과정을 보다 객관적으로 살펴보고, 이전 시도와 다음 시도를 비교할 수 있도록 하는 것을 목표로 하고 있습니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
MoveCl의 가장 큰 특징은 일반적인 자세 인식 AI를 단순히 적용하는 데 그치지 않고, 실제 클라이밍 환경에서 사용할 수 있도록 여러 분석 과정을 추가했다는 점입니다.
첫째, 클라이밍장에는 여러 사람이 동시에 존재할 수 있기 때문에 화면에 사람이 인식됐다는 이유만으로 바로 분석하지 않고 실제 분석 대상이 되는 유효 인물을 추적합니다.
둘째, 사람이 화면에 보인다는 이유만으로 점수를 계산하지 않고 실제 등반 상황인지 판단하는 과정을 거칩니다.
셋째, 사진 한 장이나 한 프레임의 자세만 보고 사용자를 평가하지 않습니다. 연속적인 유효 자세 데이터를 확보한 뒤 GRU 기반 시계열 모델을 이용해 움직임의 시간적인 흐름을 분석합니다.
넷째, 한 사람의 동작만을 기준으로 고정된 규칙을 만드는 방식이 아니라 여러 사용자의 실제 등반 데이터를 학습 데이터로 활용하고, 새로운 데이터를 추가하면서 보다 다양한 움직임을 모델에 반영하고 있습니다.
다섯째, 분석 결과를 단일 점수 하나로 끝내지 않고 전체 점수와 함께 균형, 상체, 하체, 코어 안정, 부드러움, 동작 효율 등 세부 지표로 나누어 보여주도록 구성했습니다.
이를 통해 사용자가 자신의 등반 움직임을 보다 구체적으로 이해할 수 있도록 했습니다.
여섯째, 충분한 분석 조건을 만족하지 못했을 경우 임의로 0점을 생성하지 않고 점수 없음 상태로 유지합니다.
AI가 충분한 데이터를 확보하지 못했거나 정확한 판단이 어려운 상황에서 잘못된 숫자를 확정적인 결과처럼 사용자에게 제공하지 않기 위한 방식입니다.
또한 MoveCl의 분석 결과는 사람의 운동 능력을 절대적으로 평가하거나 의료적 판단을 대신하기 위한 결과가 아니라, 사용자가 자신의 운동과 움직임을 확인하기 위한 참고 자료로 활용하도록 설계했습니다.
이처럼 자세 인식부터 유효 대상 추적, 등반 상황 판단, 실제 사용자 데이터 학습, 시계열 분석, 세부 동작 점수화까지 연결해 클라이밍이라는 실제 운동 환경에 맞게 AI를 활용했다는 점이 MoveCl의 차별점입니다.
⑤ 다른 사람도 따라 할 수 있나요?
MoveCl은 전문 연구 장비나 별도의 웨어러블 센서가 없어도 일반적인 스마트폰만으로 사용할 수 있도록 만들었습니다.
현재 MoveCl은 Google Play와 Apple App Store를 통해 실제 iOS·Android 앱으로 운영 중이며, 일반 사용자도 스마트폰을 이용해 클라이밍 현장에서 실시간 AI 자세 분석 기능을 사용할 수 있습니다.
현재는 아직 본격적인 홍보 이전 단계이지만, 단순한 아이디어나 시제품에 머무르지 않고 실제 사용자가 설치하고 사용할 수 있는 서비스 형태까지 구현했습니다.
MoveCl 홈페이지에서도 서비스와 이용 방법을 확인할 수 있습니다.
https://movecl.xyz/
사용 방법 역시 복잡하지 않습니다.
1. 스마트폰으로 운동 모습을 촬영합니다.
2. AI가 사람의 자세와 관절 움직임을 실시간으로 인식합니다.
3. 실제 분석 대상과 유효한 운동 상황을 확인합니다.
4. 연속적으로 발생하는 움직임을 AI가 분석합니다.
5. 사용자는 전체 점수와 세부 동작 지표, 자신의 운동 기록을 확인합니다.
현재 MoveCl은 볼더링 클라이밍을 중심으로 개발하고 있지만, 핵심 AI 구조는 특정 운동 하나에만 한정되지 않습니다.
스마트폰 카메라를 통해 사람의 관절과 자세를 인식하고, 연속적인 움직임을 시계열 데이터로 분석하는 구조이기 때문에 각 운동에 맞는 동작 데이터와 평가 기준을 추가로 학습하면 다른 운동으로도 확장할 수 있습니다.
예를 들어 스쿼트·런지와 같은 근력운동, 요가·필라테스의 자세 분석, 골프 스윙이나 테니스처럼 동작의 흐름이 중요한 스포츠 등에서도 해당 운동에 맞는 데이터를 학습해 사용자의 움직임을 분석하는 방식으로 활용할 수 있습니다.
앞으로는 더 다양한 사람들의 실제 운동 데이터를 확보하고 학습 데이터의 범위를 넓혀 분석 모델을 지속적으로 개선할 계획입니다.
또한 클라이밍 커뮤니티와 실제 운동 현장을 중심으로 MoveCl을 알리고 사용자의 피드백을 반영하면서, 장기적으로는 클라이밍뿐 아니라 여러 스포츠와 운동에서 스마트폰 하나로 자신의 움직임을 분석할 수 있는 AI 운동 코치로 확장하는 것이 목표입니다.
MoveCl을 통해 AI가 단순히 질문에 답하거나 콘텐츠를 생성하는 기술을 넘어, 현실에서 사람의 움직임을 이해하고 누구나 자신의 운동에 활용할 수 있는 기술로 발전할 수 있음을 보여주고자 합니다.
클라이밍을 하면서 가장 불편했던 점은 내가 실제로 어떻게 움직였는지를 객관적으로 확인하기 어렵다는 것이었습니다.
같은 문제를 여러 번 시도해도 어떤 동작이 이전과 달라졌는지, 몸의 균형이나 움직임의 흐름이 어떻게 변했는지를 등반 중에는 직접 확인하기 어렵습니다.
영상을 촬영한 뒤 다시 보거나 주변 사람의 피드백을 받는 방법도 있지만, 매번 영상을 직접 확인해야 하고 사람의 감각에 의존한다는 한계가 있었습니다.
저는 이 문제를 스마트폰 카메라와 AI를 활용해 해결해보고자 했습니다.
별도의 전문 촬영 장비나 웨어러블 센서 없이 평소 사용하는 스마트폰으로 클라이밍 모습을 촬영하면서, AI가 사용자의 움직임을 실시간으로 분석할 수 있는 서비스인 MoveCl(무브클)을 직접 개발해 실제로 활용하고 있습니다.
② 어떤 AI를 어떻게 활용했나요?
MoveCl은 스마트폰 카메라의 영상을 단순히 녹화하는 것이 아니라, AI가 영상 속 사용자의 움직임을 실시간으로 분석합니다.
전체 분석 과정은 다음과 같습니다.
실시간 카메라 영상
→ YOLOv8s-pose 자세 인식
→ 유효 인물 추적
→ 실제 등반 상황 판단
→ 유효 포즈 데이터 누적
→ 여러 사용자의 실제 등반 데이터를 학습 데이터로 구축
→ GRU 기반 시계열 동작 학습·분석
→ 사용자의 움직임 점수화 및 실시간 화면 표시
먼저 YOLOv8s-pose를 활용해 영상 속 사람의 신체 자세와 관절 정보를 추출합니다.
클라이밍장에서는 여러 사람이 동시에 화면에 들어올 수 있기 때문에 단순히 화면에 보이는 모든 사람을 분석하지 않고, 실제 분석 대상이 되는 사용자를 지속적으로 추적합니다.
또한 사람이 화면에 있다는 이유만으로 바로 점수를 계산하지 않고, 사용자가 실제 등반 중인지 판단한 뒤 분석에 사용할 수 있는 유효한 자세 데이터만 수집합니다.
MoveCl은 한 순간의 자세만으로 전체 동작을 판단하지 않습니다. 연속적으로 발생하는 자세 데이터를 시계열 형태로 분석해 사용자의 움직임 흐름을 평가합니다.
특히 여러 사용자의 실제 클라이밍 동작에서 확보한 자세 데이터를 학습 데이터로 활용하고 있으며, 새로운 실제 등반 데이터를 추가하면서 다양한 사람의 움직임을 모델에 반영하고 분석 모델을 지속적으로 개선할 수 있도록 구성했습니다.
수집된 연속적인 움직임은 GRU 기반 시계열 모델을 활용해 분석합니다.
따라서 단순히 팔이나 다리의 특정 각도가 몇 도인지 확인하는 방식이 아니라, 실제 클라이밍 과정에서 사용자가 시간에 따라 어떻게 움직였는지를 AI가 분석하는 방식입니다.
분석 결과는 MoveCl 앱의 실시간 화면에 바로 표시됩니다.
사용자는 전체 점수뿐 아니라 균형, 상체, 하체, 코어 안정, 부드러움, 동작 효율 등 여러 세부 지표를 실시간으로 확인할 수 있습니다.
예를 들어 실제 분석 화면에서는 전체 점수가 100점 기준으로 표시되고, 그 아래에 각 움직임 요소별 점수가 함께 제공되어 단순히 잘했다, 못했다가 아니라 어떤 부분이 상대적으로 좋았고 어떤 부분을 개선할 수 있는지 보다 구체적으로 확인할 수 있도록 했습니다.
③ AI를 활용한 결과 어떤 변화가 있었나요?
기존에는 클라이밍 영상을 촬영해도 대부분 성공 또는 실패 장면을 기록하거나, 촬영이 끝난 뒤 영상을 직접 다시 보면서 자세를 판단해야 했습니다.
MoveCl에 AI를 적용한 이후에는 단순한 영상 기록을 넘어 영상 속 사람의 움직임을 데이터로 분석하고, 그 결과를 점수와 세부 지표로 확인할 수 있게 되었습니다.
기존에는 등반 영상을 촬영해서 보관하는 방식이었다면, MoveCl에서는 등반하는 순간부터 AI가 움직임을 분석하고 그 결과를 다음 운동에 활용할 수 있도록 했습니다.
현재 실시간 분석 화면에서는 사용자의 등반 동작에 대해 전체 점수를 100점 기준으로 보여주고, 균형, 상체, 하체, 코어 안정, 부드러움, 동작 효율과 같은 세부 항목도 함께 표시합니다.
이를 통해 사용자는 단순히 최종 점수 하나만 확인하는 것이 아니라 자신의 움직임 가운데 어느 요소가 상대적으로 안정적이었고 어느 부분을 더 개선할 수 있는지를 보다 세분화해서 확인할 수 있습니다.
클라이밍은 같은 문제를 여러 번 반복하면서 자신의 동작을 수정하는 운동입니다.
따라서 단순히 성공했는지 실패했는지만 기록하는 것보다 자신의 움직임이 어떻게 달라졌는지, 어떤 요소의 점수가 변했는지를 함께 확인할 수 있다면 훈련 과정에서 더 다양한 정보를 활용할 수 있습니다.
MoveCl은 실제 등반 영상과 AI 분석 결과를 함께 기록함으로써 사용자가 자신의 운동 과정을 보다 객관적으로 살펴보고, 이전 시도와 다음 시도를 비교할 수 있도록 하는 것을 목표로 하고 있습니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
MoveCl의 가장 큰 특징은 일반적인 자세 인식 AI를 단순히 적용하는 데 그치지 않고, 실제 클라이밍 환경에서 사용할 수 있도록 여러 분석 과정을 추가했다는 점입니다.
첫째, 클라이밍장에는 여러 사람이 동시에 존재할 수 있기 때문에 화면에 사람이 인식됐다는 이유만으로 바로 분석하지 않고 실제 분석 대상이 되는 유효 인물을 추적합니다.
둘째, 사람이 화면에 보인다는 이유만으로 점수를 계산하지 않고 실제 등반 상황인지 판단하는 과정을 거칩니다.
셋째, 사진 한 장이나 한 프레임의 자세만 보고 사용자를 평가하지 않습니다. 연속적인 유효 자세 데이터를 확보한 뒤 GRU 기반 시계열 모델을 이용해 움직임의 시간적인 흐름을 분석합니다.
넷째, 한 사람의 동작만을 기준으로 고정된 규칙을 만드는 방식이 아니라 여러 사용자의 실제 등반 데이터를 학습 데이터로 활용하고, 새로운 데이터를 추가하면서 보다 다양한 움직임을 모델에 반영하고 있습니다.
다섯째, 분석 결과를 단일 점수 하나로 끝내지 않고 전체 점수와 함께 균형, 상체, 하체, 코어 안정, 부드러움, 동작 효율 등 세부 지표로 나누어 보여주도록 구성했습니다.
이를 통해 사용자가 자신의 등반 움직임을 보다 구체적으로 이해할 수 있도록 했습니다.
여섯째, 충분한 분석 조건을 만족하지 못했을 경우 임의로 0점을 생성하지 않고 점수 없음 상태로 유지합니다.
AI가 충분한 데이터를 확보하지 못했거나 정확한 판단이 어려운 상황에서 잘못된 숫자를 확정적인 결과처럼 사용자에게 제공하지 않기 위한 방식입니다.
또한 MoveCl의 분석 결과는 사람의 운동 능력을 절대적으로 평가하거나 의료적 판단을 대신하기 위한 결과가 아니라, 사용자가 자신의 운동과 움직임을 확인하기 위한 참고 자료로 활용하도록 설계했습니다.
이처럼 자세 인식부터 유효 대상 추적, 등반 상황 판단, 실제 사용자 데이터 학습, 시계열 분석, 세부 동작 점수화까지 연결해 클라이밍이라는 실제 운동 환경에 맞게 AI를 활용했다는 점이 MoveCl의 차별점입니다.
⑤ 다른 사람도 따라 할 수 있나요?
MoveCl은 전문 연구 장비나 별도의 웨어러블 센서가 없어도 일반적인 스마트폰만으로 사용할 수 있도록 만들었습니다.
현재 MoveCl은 Google Play와 Apple App Store를 통해 실제 iOS·Android 앱으로 운영 중이며, 일반 사용자도 스마트폰을 이용해 클라이밍 현장에서 실시간 AI 자세 분석 기능을 사용할 수 있습니다.
현재는 아직 본격적인 홍보 이전 단계이지만, 단순한 아이디어나 시제품에 머무르지 않고 실제 사용자가 설치하고 사용할 수 있는 서비스 형태까지 구현했습니다.
MoveCl 홈페이지에서도 서비스와 이용 방법을 확인할 수 있습니다.
https://movecl.xyz/
사용 방법 역시 복잡하지 않습니다.
1. 스마트폰으로 운동 모습을 촬영합니다.
2. AI가 사람의 자세와 관절 움직임을 실시간으로 인식합니다.
3. 실제 분석 대상과 유효한 운동 상황을 확인합니다.
4. 연속적으로 발생하는 움직임을 AI가 분석합니다.
5. 사용자는 전체 점수와 세부 동작 지표, 자신의 운동 기록을 확인합니다.
현재 MoveCl은 볼더링 클라이밍을 중심으로 개발하고 있지만, 핵심 AI 구조는 특정 운동 하나에만 한정되지 않습니다.
스마트폰 카메라를 통해 사람의 관절과 자세를 인식하고, 연속적인 움직임을 시계열 데이터로 분석하는 구조이기 때문에 각 운동에 맞는 동작 데이터와 평가 기준을 추가로 학습하면 다른 운동으로도 확장할 수 있습니다.
예를 들어 스쿼트·런지와 같은 근력운동, 요가·필라테스의 자세 분석, 골프 스윙이나 테니스처럼 동작의 흐름이 중요한 스포츠 등에서도 해당 운동에 맞는 데이터를 학습해 사용자의 움직임을 분석하는 방식으로 활용할 수 있습니다.
앞으로는 더 다양한 사람들의 실제 운동 데이터를 확보하고 학습 데이터의 범위를 넓혀 분석 모델을 지속적으로 개선할 계획입니다.
또한 클라이밍 커뮤니티와 실제 운동 현장을 중심으로 MoveCl을 알리고 사용자의 피드백을 반영하면서, 장기적으로는 클라이밍뿐 아니라 여러 스포츠와 운동에서 스마트폰 하나로 자신의 움직임을 분석할 수 있는 AI 운동 코치로 확장하는 것이 목표입니다.
MoveCl을 통해 AI가 단순히 질문에 답하거나 콘텐츠를 생성하는 기술을 넘어, 현실에서 사람의 움직임을 이해하고 누구나 자신의 운동에 활용할 수 있는 기술로 발전할 수 있음을 보여주고자 합니다.
