🔬 physics

Evaluating Soccer Player Movements Using the Attacker-Defender Model

Este estudio mejora y valida el modelo de movimiento atacante-defensor utilizando un gran conjunto de datos de 306 partidos de la J1 League para optimizar parámetros específicos de los jugadores y revelar estilos de juego distintos para atacantes y defensores.

Autores originales: Takuma Narizuka, Issei Yamazaki

Publicado 2026-05-26

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Takuma Narizuka, Issei Yamazaki

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un partido de fútbol no solo como un juego de habilidad, sino como una danza compleja entre dos socios: la persona con el balón (el Atacante) y la persona que intenta detenerlos (el Defensor).

Este artículo es como un intento científico de escribir las "reglas de la coreografía" para esa danza. Los autores, Takuma Narizuka e Issei Yamazaki, tomaron un conjunto existente de reglas (llamado modelo Atacante-Defensor o AD) y las mejoraron para manejar un escenario mucho más grande con más bailarines.

Aquí tienes un desglose de lo que hicieron, utilizando analogías simples:

1. El Viejo Mapa vs. El Nuevo GPS

Anteriormente, los investigadores intentaban predecir cómo se movían los jugadores usando un modelo que era como un boceto tosco. Funcionaba razonablemente bien para pequeños grupos de jugadores, pero tenía dos problemas principales:

Solo observaba unos pocos tipos específicos de movimientos (como estudiar solo cómo camina la gente hacia adelante).
Se basaba en un conjunto de datos diminuto (como intentar entender todo el comportamiento humano observando solo a 1,500 personas).

Los autores quisieron actualizar esto a un GPS de alta definición. Querían ver si las reglas podían explicar los movimientos de miles de jugadores en partidos reales de alta tensión. Utilizaron datos de 306 partidos profesionales en la liga superior de Japón (J1 League), cubriendo más de 31,000 momentos de regate. Eso es como observar cada paso individual de un corredor de maratón en lugar de solo unos pocos pasos en un parque.

2. La Física de la Danza

El modelo trata a los jugadores como coches con motores y frenos.

Resistencia (Los Frenos): Los jugadores naturalmente se frenan si no siguen empujando.
Fuerza de Objetivo (El Gas): El atacante quiere conducir hacia la portería del oponente. El defensor quiere conducir hacia su propia portería.
Fuerza del Oponente (La Dirección): El atacante intenta dirigir hacia fuera del defensor. El defensor intenta dirigir hacia el atacante.

Las matemáticas calculan el equilibrio perfecto entre estas fuerzas para predecir dónde un jugador debería ir.

3. La Gran Mejora: Resolver el Rompecabezas Pieza por Pieza

En el método antiguo, la computadora intentaba resolver los movimientos del atacante y del defensor simultáneamente. Imagina intentar resolver un cubo de Rubik mientras alguien más sacude la mesa; es difícil y lento.

Los autores introdujeron un nuevo truco: Fijar a un jugador, resolver el otro.

Tomaron el camino real que recorrió el defensor y dijeron: "Bien, Defensor, quédate exactamente aquí. Ahora, Atacante, ¿qué reglas te harían caminar exactamente donde realmente lo hiciste?"
Luego lo invirtieron: "Bien, Atacante, quédate exactamente aquí. Defensor, ¿qué reglas te hacen caminar donde realmente lo hiciste?"

El Resultado: Esto fue como cambiar de resolver un nudo enredado a desenredar dos cuerdas separadas. Fue más rápido, más barato de computar y funcionó mejor. Recrearon con éxito el 88.5% de los eventos de regate (frente al 85.4% anterior), lo que significa que su nuevo "GPS" era mucho más preciso.

4. Descubriendo las "Cuatro Personalidades" de los Jugadores

Una vez que tuvieron los datos precisos, se dieron cuenta de que los jugadores no se mueven de una sola manera. Al observar las "fuerzas" en sus matemáticas, clasificaron a cada jugador en cuatro tipos de personalidad distintos basados en cómo se movían en relación con la portería y el oponente.

Para los Atacantes (Los Portadores del Balón):

Tipo A1 (El Conductor Seguro): Se mueve hacia la portería pero mantiene una distancia segura del defensor. Piensa en un defensa central construyendo el juego, pasando el balón con calma.
Tipo A2 (El Retrocededor): Se mueve hacia atrás de la portería pero hacia el defensor. Como un jugador bajo presión desde atrás, intentando proteger el balón.
Tipo A3 (El Temerario): Se mueve hacia la portería Y directamente hacia el defensor. Este es el duelo "uno contra uno", el movimiento de alto riesgo cerca de la portería.
Tipo A4 (La Retirada): Se mueve lejos de la portería y lejos del defensor. Como un jugador acelerando hacia adelante para escapar de la presión o regateando hacia atrás para atraer al defensor.

Para los Defensores (Los Perseguidores):

Tipo D1 (El Pastor): Se mueve hacia su propia portería pero hacia el atacante. Como un defensor retrocediendo mientras intenta empujar al atacante hacia la banda.
Tipo D2 (La Retirada): Se mueve lejos de la portería y lejos del atacante. Una retirada pura para evitar ser superado.
Tipo D3 (El Guardia de Banda): Se mueve hacia la portería pero lejos del atacante. Dealing con un regate que viene desde el lado.
Tipo D4 (El Tackle Agresivo): Se mueve lejos de la portería pero hacia el atacante. Este es el movimiento de alto riesgo y alta recompensa donde un defensor se lanza a robar el balón desde atrás.

5. ¿Quiénes Son las Estrellas?

El artículo no solo miró las matemáticas; miró los nombres. Descubrieron que ciertos jugadores aparecían con más frecuencia en zonas específicas de "personalidad".

Por ejemplo, M. Hosoya (un delantero) apareció constantemente en los gráficos de defensores (D1–D4). Esto tiene sentido porque los delanteros a menudo son los que presionan (actuando como el "defensor" a los ojos del modelo) cuando su equipo no tiene el balón.
A. Scholz (un defensor) fue el "Conductor Seguro" (A1) más frecuente para los atacantes, mostrando cómo los defensores a menudo actúan como portadores del balón al construir el juego.

La Conclusión

Los autores demostraron con éxito que este "modelo de danza basado en física" funciona a gran escala. Al simplificar cómo calculaban los movimientos, pudieron analizar miles de momentos reales de fútbol. Mostraron que cada jugador tiene una "firma de movimiento" única que puede clasificarse en cuatro estilos distintos, brindándonos una nueva forma de entender las estrategias invisibles que ocurren en el campo.

¿Qué Sigue?
Los autores admiten que el "GPS" aún no es perfecto. A veces las matemáticas empujaban a los jugadores al borde mismo del mapa, sugiriendo que las reglas necesitan un poco más de ajuste fino (como añadir penalizaciones por moverse demasiado rápido o demasiado lento). Pero por ahora, nos han dado una imagen mucho más clara de cómo interactúan realmente los atacantes y los defensores.

Resumen Técnico: Evaluación de los Movimientos de Jugadores de Fútbol Mediante el Modelo Atacante-Defensor

Planteamiento del Problema
El estudio aborda el desafío de modelar las trayectorias a corto plazo de los jugadores en el análisis del fútbol. Si bien los enfoques de aprendizaje automático ofrecen una alta precisión predictiva, a menudo carecen de interpretabilidad física. Por el contrario, los modelos basados en la física priorizan la interpretabilidad, pero históricamente han estado limitados en alcance. Específicamente, el modelo Atacante-Defensor (AD) propuesto por Brink et al. (2023), que describe las interacciones entre un portador del balón y el defensor más cercano, había sido explorado previamente solo con rangos de parámetros limitados y conjuntos de datos relativamente pequeños (1.573 eventos de regate). En consecuencia, la aplicabilidad del modelo a datos a gran escala y su capacidad para capturar el espectro completo de estilos de juego permanecieron poco explorados.

Metodología
Los autores utilizaron un conjunto de datos que comprende datos de seguimiento y eventos de 306 partidos de la temporada 2023 de la J1 League, proporcionados por DataStadium Inc. Los datos de posición crudos ( $x, y$ ) registrados en intervalos de 0,04 segundos se procesaron utilizando filtros de Savitzky–Golay e interpolación con splines cúbicos para reducir el ruido y calcular las velocidades. A partir de esto, se extrajeron 31.028 instancias de regate basadas en criterios estrictos: el defensor más cercano permaneció constante, la posesión duró más de 0,5 segundos y los jugadores recorrieron más de 5 metros.

El núcleo del estudio implica el modelo AD, que define el movimiento de un atacante ( $\vec{v}_a$ ) y un defensor ( $\vec{v}_d$ ) mediante ecuaciones diferenciales acopladas. Estas ecuaciones incorporan una fuerza de resistencia proporcional a la velocidad y una fuerza motriz determinada por componentes orientados al gol y orientados al oponente. El modelo está gobernado por seis parámetros: fuerzas motrices máximas ( $f_a, f_d$ ), constantes de tiempo ( $\tau_a, \tau_d$ ) y factores de ponderación para la interacción con el oponente ( $\beta_a, \beta_d$ ).

Una innovación metodológica clave es la optimización independiente de parámetros propuesta. A diferencia del enfoque original, donde los seis parámetros se optimizaban simultáneamente para minimizar el error total de la trayectoria, este estudio resuelve las ecuaciones de movimiento para un jugador mientras fija la trayectoria real del oponente. Esto permite la estimación independiente de los parámetros del atacante ( $f_a, \tau_a, \beta_a$ ) y los parámetros del defensor ( $f_d, \tau_d, \beta_d$ ). La optimización se realizó utilizando el algoritmo COBYLA con muestreo de hipercubo latino para la generación inicial de parámetros. El estudio expandió el análisis a los cuatro cuadrantes del espacio de parámetros (definidos por los signos de $f$ y $\beta$ ), mientras que el trabajo anterior había restringido el análisis a regiones específicas.

Contribuciones y Resultados Clave

Eficiencia y Precisión Mejoradas en la Optimización: El método de optimización independiente propuesto redujo significativamente los costos computacionales al disminuir la dimensionalidad del espacio de parámetros. Más importante aún, mejoró la tasa de éxito en la estimación de parámetros. Utilizando el enfoque mejorado, el 88,5 % (27.457) de los 31.028 eventos de regate cumplieron el criterio de precisión (error de trayectoria $\varepsilon < 0,1$ para ambos jugadores), en comparación con el 85,4 % (26.492) utilizando el método acoplado original.
Validación a Gran Escala: El estudio validó con éxito el modelo AD en un conjunto de datos casi 20 veces mayor que el utilizado en investigaciones anteriores, demostrando su robustez en una amplia gama de escenarios de la J1 League.
Caracterización de Estilos de Juego: Al analizar los parámetros optimizados en todo el espacio de cuatro cuadrantes, los autores identificaron patrones de movimiento distintos y los asociaron con roles específicos de los jugadores:
- Atacantes:
  - Región A1 ( $f_a > 0, \beta_a > 0$ ): Movimiento hacia el gol del oponente y alejándose del defensor. Dominado por defensas centrales involucrados en la construcción del juego.
  - Región A2 ( $f_a < 0, \beta_a > 0$ ): Movimiento alejándose del gol pero hacia el defensor, a menudo visto al mantener la posesión bajo presión trasera.
  - Región A3 ( $f_a < 0, \beta_a < 0$ ): Movimiento hacia tanto el gol como el defensor, correspondiente a confrontaciones directas uno contra uno cerca de oportunidades de gol.
  - Región A4 ( $f_a > 0, \beta_a < 0$ ): Movimiento alejándose tanto del gol como del defensor, observado en la aceleración hacia adelante bajo presión o regates hacia atrás.
- Defensores:
  - Región D1 ( $f_d > 0, \beta_d > 0$ ): Movimiento hacia el gol defensivo y hacia el atacante, típico de acciones de presión por parte de delanteros centrales.
  - Región D2 ( $f_d < 0, \beta_d > 0$ ): Movimiento alejándose tanto del gol como del atacante, representando retiradas defensivas.
  - Región D3 ( $f_d < 0, \beta_d < 0$ ): Movimiento hacia el gol pero alejándose del atacante, común al lidiar con regates laterales.
  - Región D4 ( $f_d > 0, \beta_d < 0$ ): Movimiento alejándose del gol pero hacia el atacante, indicando desafíos de alto riesgo desde atrás.

Significado y Afirmaciones
El artículo afirma que, al expandir el rango de parámetros analizados y utilizar un conjunto de datos más grande, el estudio proporciona nuevas perspectivas cuantitativas sobre los estilos de juego distintos de atacantes y defensores. Los autores afirman que el método de optimización independiente no solo mejora la eficiencia del ajuste del modelo, sino que también aumenta el volumen de trayectorias reproducidas con precisión, permitiendo así una caracterización de jugadores más robusta.

El estudio concluye con modestia, señalando que, aunque el modelo reproduce con éxito las trayectorias, muchos parámetros optimizados se acercaron a los límites del espacio de parámetros definido. Esto sugiere la necesidad de un refinamiento futuro de la función de error, potencialmente mediante la incorporación de términos de penalización basados en la velocidad y la aceleración del jugador. También se propone trabajo futuro para analizar contextos específicos (por ejemplo, ubicación en el campo) y roles de jugadores con mayor detalle.