Wide Open Gazes: Quantifying Visual Exploratory Behavior in Soccer with Pose Enhanced Positional Data

Diese Studie stellt eine neue, auf Pose-Daten basierende Methode vor, die das visuelle Explorationsverhalten von Fußballspielern kontinuierlich quantifiziert und damit positionunabhängig sowie ohne manuelle Annotationen vorhersagbare Erkenntnisse über den zukünftigen Spielwert liefert.

Das Wesentliche

Titel: Der unsichtbare Radar im Kopf – Wie neue Technologie den Fußball-Scan erklärt

Stell dir vor, du bist ein Fußballspieler auf dem Platz. Du hast den Ball noch nicht, aber du wartest darauf, dass dein Teamkollege dir zuspielt. In diesem Moment von Sekundenbruchteilen musst du entscheiden: Laufe ich in die Lücke? Bleibe ich stehen? Oder drehe ich mich um?

Früher haben Analysten versucht zu messen, wie gut ein Spieler „schaut", indem sie einfach gezählt haben, wie oft er seinen Kopf schnell hin und her geworfen hat (wie ein Huhn, das nach Körnern sucht). Das Problem? Das war oft falsch. Ein Spieler könnte den Kopf bewegen, aber gar nicht wirklich schauen, oder er könnte ruhig stehen und trotzdem alles sehen. Außerdem funktionierte diese Methode nur für bestimmte Spieler (wie Mittelfeldakteure) und nicht für alle.

Diese neue Forschung von Joris Bekkers (von der US-Soccer Federation) bringt eine Revolution: Sie macht das „Sehen" messbar, ohne jemanden zählen zu müssen.

Hier ist die Erklärung in einfachen Bildern:

1. Der alte Weg: Der „Kopf-Wackel-Zähler"

Früher sagten die Experten: „Wenn der Kopf schneller als 125 Grad pro Sekunde wackelt, dann schaut der Spieler."

• Das Problem: Das ist wie zu versuchen, zu verstehen, ob jemand ein Buch liest, indem man nur zählt, wie oft er blinzelt. Es ist ungenau, ignoriert die Position des Spielers und sagt nichts darüber aus, was er eigentlich gesehen hat.

2. Der neue Weg: Der „Unsichtbare Radar"

Die Forscher nutzen jetzt eine super-kluge Kamera-Technologie (Pose Estimation), die nicht nur sieht, wo die Spieler sind, sondern auch, wohin ihre Köpfe und Schultern zeigen.

Stell dir vor, jeder Spieler trägt einen unsichtbaren, digitalen Radar im Kopf.

• Der Sichtkegel: Dieser Radar zeigt an, wohin der Spieler schaut. Aber es ist kein scharfer Strahl, sondern ein weicher Nebel. Je weiter weg etwas ist oder je schneller der Spieler rennt, desto „nebliger" wird das Bild. Das ist realistisch, denn wenn wir rennen, sehen wir Dinge am Rand unscharfer.
• Die Verdeckungs-Karte: Wenn ein anderer Spieler (z. B. ein Gegner) vor dem Radar steht, verdeckt er einen Teil des Bildes. Die Technologie berechnet genau, wie viel vom Radar-Sichtfeld durch andere Körper blockiert wird.

Das Ergebnis ist eine digitale Landkarte für jeden Spieler, die zu jedem Millisekunde zeigt: „Was kann dieser Spieler gerade sehen und was ist ihm verborgen?"

3. Die Verbindung: Sehen + Wert = Erfolg

Jetzt kommt der geniale Teil. Die Forscher kombinieren diesen „Sicht-Radar" mit zwei anderen bekannten Konzepten:

1. Kontrollierte Fläche: Welcher Teil des Feldes gehört gerade wem? (Wer hat die Kontrolle?)
2. Feldwert: Welcher Teil des Feldes ist wertvoll? (Nahe am gegnerischen Tor ist wertvoller als in der eigenen Ecke).

Die Frage war: Wenn ein Spieler wartet, dass der Ball kommt, schaut er auf die richtigen Dinge?

• Schaut er auf die Lücken, die er nutzen kann?
• Oder schaut er auf die Gegner, die ihn blockieren?

4. Das Ergebnis: Der „Scan" entscheidet über den nächsten Schritt

Die Forscher haben 32 Spiele der Copa América 2024 analysiert. Sie haben geschaut: Was haben die Spieler gesehen, bevor sie den Ball bekommen haben, und wie gut haben sie danach gelaufen?

Das Ergebnis war verblüffend:

• Der alte Zähler (Kopf-Wackeln): Hatte keine Vorhersagekraft. Es sagte nichts darüber aus, ob der Spieler danach einen guten Lauf gemacht hat.
• Der neue Radar: Hatte starke Vorhersagekraft!
  • Spieler, die während des Wartens einen großen Teil des Gegnerfeldes (die „verteidigten Räume") auf ihrem Radar hatten, machten danach viel bessere Läufe. Sie gewannen mehr wertvollen Raum.
  • Spieler, die einfach nur viel vom Feld sahen, aber nicht die richtigen Teile (die Lücken), machten keine besseren Läufe.

Die Analogie:
Stell dir vor, du bist ein Schachspieler.

• Der alte Weg zählte, wie oft du deinen Kopf bewegst, um auf das Brett zu schauen.
• Der neue Weg misst, welche Figuren du tatsächlich im Auge hast.
• Die Studie zeigt: Es bringt nichts, den Kopf wild zu bewegen. Es bringt alles, wenn du genau die Lücken im Gegner-Netzwerk siehst, bevor du deinen Zug machst.

Fazit

Diese Forschung sagt uns: Gutes Sehen ist nicht das, wie oft du den Kopf bewegst, sondern was du in deinem „inneren Radar" siehst.

Die Methode funktioniert für jeden Spieler (ob Stürmer oder Verteidiger), braucht keine manuelle Zählarbeit und passt perfekt in die modernen Datenmodelle des Fußballs. Sie beweist, dass die besten Spieler nicht die sind, die am meisten wackeln, sondern die, die das Spielfeld wie eine Landkarte lesen können, bevor sie den Ball überhaupt berühren.

Und das Beste: Die Tools dafür sind jetzt für alle kostenlos verfügbar, damit auch andere Teams diesen „unsichtbaren Radar" nutzen können.

Technische Zusammenfassung

1. Problemstellung

Traditionelle Ansätze zur Messung des visuellen Explorationsverhaltens (Visual Exploratory Actions, VEAs) im Fußball basieren auf dem Zählen schneller Kopfbewegungen (Schwellenwert > 125°/s). Diese Methode weist jedoch erhebliche Mängel auf:

• Positionsverzerrung: Sie begünstigt bestimmte Positionen (z. B. zentrale Mittelfeldspieler) und ignoriert andere.
• Binäre Einschränkung: Das Verhalten wird als „scannt ja/nein" kategorisiert, was die kontinuierliche Natur der visuellen Aufmerksamkeit nicht abbildet.
• Annotationsschwierigkeiten: Die manuelle Erfassung ist fehleranfällig und zeitaufwendig.
• Fehlende Vorhersagekraft: Studien zeigen, dass die reine Häufigkeit von VEAs keine signifikante Korrelation mit kurzfristigen Spielfolgen (z. B. Passerfolg oder Raumgewinn) aufweist.
• Inkompatibilität: Die Methode lässt sich schwer in moderne analytische Frameworks wie „Pitch Control" oder „Pitch Value" integrieren.

Ziel der Forschung ist es, ein kontinuierliches, positionsunabhängiges und datengetriebenes Modell zu entwickeln, das die visuelle Wahrnehmung von Spielern in Echtzeit quantifiziert und deren Einfluss auf den Spielverlauf misst.

2. Methodik

Die Autoren entwickeln einen neuartigen, stochastischen „Vision Layer", der Pose-Enhanced Tracking-Daten (Position + Kopf- und Schulterwinkel) mit etablierten räumlichen Modellen kombiniert.

A. Datengrundlage

• Datenquelle: 32 Spiele der Copa América 2024.
• Technologie: Broadcast-Tracking-Daten (25 fps) von Respo.Vision, erweitert um geschätzte Kopf-, Schulter- und Hüftwinkel (Human Pose Estimation).
• Datensatz: Ca. 2,3 Millionen Frames und über 60.000 Events, gefiltert auf unkontrollierte Spielsituationen (offenes Spiel).
• Phasen: Analyse der „Awaiting Phase" (Spieler wartet auf Ballannahme nach Pass) und der darauffolgenden „On-Ball Phase" (Dribbling).

B. Das visuelle Modell (Vision Map)

Das Modell erstellt eine 105x68 Gitterkarte (Spielfeldgröße) für jeden Spieler, die die Wahrscheinlichkeit darstellt, dass er einen bestimmten Bereich sieht. Es besteht aus zwei Komponenten:

1. Probabilistisches Sichtfeld (Field of View - $V_\rho$):
   • Basierend auf einer binären Annahme von 120° binokularer Sicht.
   • Erweitert um Gaußsche Funktionen für radiale ($R$) und Winkel-Distanz ($A$).
   • Geschwindigkeitsabhängigkeit: Die Sichtschärfe nimmt mit der Lauftgeschwindigkeit des Spielers ab (höhere Geschwindigkeit = schärferer Fokus, geringere periphere Wahrnehmung).
2. Probabilistische Okklusion (Occlusion Map - $V_\Phi$):
   • Berechnet, wie andere Spieler die Sicht blockieren.
   • Berücksichtigt die Distanz zwischen Spielern und die Schulterrotation des blockierenden Spielers (ein Spieler, der seitlich steht, verdeckt weniger als einer, der frontal steht).
   • Wird als Strahl (Ray) modelliert, der von der Sichtlinie des Spielers ausgeht.

Gesamt-Vision Map ($V_i$): Das Ergebnis ist das elementweise Produkt aus Sichtfeld und Okklusionskarte.

C. Integration mit Pitch Control und Pitch Value

Die Vision Map wird mit Frameworks von Fernández & Bornn (2018) kombiniert:

• Imminent Pitch Control ($PC_{0.5}$): Eine modifizierte Version des Pitch-Control-Modells, die den Raum darstellt, den ein Spieler in sehr kurzer Zeit erreichen kann (verkleinerter Einflussradius).
• Pitch Value: Ein neuronales Netz, das den strategischen Wert eines Feldabschnitts basierend auf der Ballposition und der defensiven Aufstellung bewertet.
• Kombination: Durch Multiplikation der Vision Map mit den Pitch-Control- und Pitch-Value-Karten kann quantifiziert werden, welcher wertvolle Raum von einem Spieler gesehen wird.

D. Validierung

• Ziel: Vorhersage, ob ein Spieler am Ende seiner On-Ball-Phase einen signifikanten Gewinn oder Verlust an kontrolliertem Pitch Value erzielt.
• Modell: Binary Classification XGBoost.
• Vergleich: Vier Modelle wurden getestet:
  1. Baseline (nur Distanz zum Tor).
  2. Traditionelle VEA (Zählung schneller Kopfbewegungen).
  3. Regular (Position, Geschwindigkeit, Distanz).
  4. Vision Model (Fügt aggregierte Merkmale aus der Vision Map hinzu).

3. Wichtige Beiträge

1. Neues Metrik-Paradigma: Ersetzung der binären VEA-Zählung durch eine kontinuierliche, stochastische Messung der visuellen Wahrnehmung.
2. Positionsunabhängigkeit: Das Modell funktioniert für alle Spielerpositionen gleichermaßen.
3. Automatisierung: Keine manuelle Annotation erforderlich; vollständig automatisiert aus Tracking- und Pose-Daten.
4. Integration: Nahtlose Einbettung in bestehende analytische Ökosysteme (Pitch Control, Pitch Value, SoccerMap).
5. Open Source: Bereitstellung der Tools und Daten auf GitHub zur Reproduzierbarkeit.

4. Ergebnisse

Die Validierungsergebnisse zeigen deutliche Unterschiede zwischen den Modellen:

• Vorhersagekraft: Das Vision Model erreichte eine AUC von 0,788, was eine signifikante Verbesserung gegenüber dem Regular-Modell (0,744) darstellt.
• Versagen traditioneller VEAs: Das Hinzufügen traditioneller VEA-Merkmale (Zählung von Kopfbewegungen > 125°/s) zum Baseline-Modell führte zu keiner Leistungssteigerung (AUC 0,654 vs. 0,664). Dies bestätigt frühere Studien, die VEAs als unzuverlässigen Leistungsindikator in Frage stellen.
• Schlüsselfaktoren (SHAP-Werte):
  • Spieler, die während der Wartezeit einen höheren Anteil des defensiv kontrollierten Raums sehen, erzielen am Ende des Dribblings einen größeren Gewinn an Pitch Value.
  • Die reine Menge des gesehens Feldes ist weniger wichtig als die Qualität dessen, was gesehen wird (Fokus auf defensive Räume).
  • Traditionelle VEA-Zählungen hatten keinen Einfluss auf die Vorhersage.

5. Bedeutung und Fazit

Diese Forschung markiert einen Paradigmenwechsel in der Fußballanalyse. Sie beweist, dass die Qualität der visuellen Wahrnehmung (welche Räume werden gesehen?) ein stärkerer Prädiktor für kurzfristigen Spielerfolg ist als die Häufigkeit von Kopfbewegungen.

Das entwickelte Framework ermöglicht es, die kognitive Leistung von Spielern objektiv und quantitativ zu bewerten und direkt mit taktischen Ergebnissen (Raumgewinn) zu verknüpfen. Da Pose-Schätzungstechnologien zunehmend verfügbar werden, ist dieses Modell auch für andere Invasionssportarten (z. B. American Football, Basketball) übertragbar. Es liefert einen robusten, datengetriebenen Ansatz, um das „Sehen" im Fußball messbar zu machen und in moderne Spielanalysen zu integrieren.