PathCRF: Ball-Free Soccer Event Detection via Possession Path Inference from Player Trajectories

Resumen Técnico: PathCRF

Planteamiento del Problema
La analítica profesional de fútbol depende de dos modalidades de datos primarias: datos de eventos (anotaciones manuales de acciones con el balón como pases y tiros) y datos de seguimiento o tracking (coordenadas de alta frecuencia de jugadores y del balón). Si bien el seguimiento de jugadores se ha automatizado y vuelto más asequible, el seguimiento del balón sigue siendo costoso, propenso a errores de oclusión y difícil de escalar más allá de las competiciones de primer nivel. En consecuencia, la recopilación exhaustiva de datos es limitada y la adopción generalizada del análisis basado en datos se ve obstaculizada. Los métodos existentes de detección automática de eventos suelen requerir un seguimiento preciso del balón, lo que constituye un cuello de botella. Además, los intentos previos de inferir estados del balón basándose únicamente en las trayectorias de los jugadores suelen fallar al no imponer restricciones físicas, lo que resulta en movimientos de balón implausibles o cambios de posesión ilógicos. El problema central abordado es cómo detectar eventos de balón en el fútbol e inferir rutas de posesión de manera precisa utilizando únicamente datos de seguimiento de jugadores, sin depender de hardware de seguimiento de balón costoso o de la anotación manual laboriosa.

Metodología
Los autores proponen PathCRF, un marco que redefine la detección de eventos de fútbol como un problema de selección secuencial de aristas sobre un grafo dinámico totalmente conectado.

1. Formulación del Problema:

   • Las trayectorias de los jugadores se modelan como un grafo dirigido totalmente conectado donde los nodos representan a los jugadores y cuatro nodos "externos" (que representan la salida del balón del campo).
   • El estado de posesión del balón en cualquier paso de tiempo se define como exactamente una arista: un bucle de auto-conexión $(u, u)$ indica que el jugador $u$ está regateando, mientras que una arista dirigida $(u, v)$ con $u \neq v$ representa un pase o tiro de $u$ hacia $v$.
   • El objetivo es inferir la secuencia de aristas (la ruta de posesión) que mejor explique las trayectorias observadas de los jugadores.

2. Núcleo Neuronal (Neural Backbone):

   • El marco emplea un codificador socio-temporal inspirado en ROLAND y TranSPORTmer.
   • Módulo Social: Utiliza una combinación de redes Parcialmente Permutación-Equivariantes (PPE) y Totalmente Permutación-Equivariantes (FPE) basadas en Bloques de Atención de Conjuntos Inducidos (ISAB). La PPE captura la dinámica intra-equipo, mientras que la FPE captura los contextos inter-equipo globales.
   • Módulo Temporal: Agrega las representaciones de los nodos a lo largo del tiempo mediante una arquitectura basada en atención (Codificación Posicional + Bloques de Atención de Conjuntos Apilados) para capturar dependencias secuenciales.
   • Embeddings de Aristas: Las representaciones de los nodos refinadas se concatenan y se proyectan mediante un MLP para formar los embeddings de las aristas, que sirven como características para el CRF.

3. Campo Aleatorio Condicional Dinámico Enmascarado (Dynamic Masked CRF):

   • Para garantizar la consistencia lógica, se aplica un CRF sobre la secuencia de aristas.
   • Puntuación Dinámica: A diferencia de los CRF estándar con matrices de transición estáticas, PathCRF calcula dinámicamente las puntuaciones de emisión y transición a partir de los embeddings de las aristas. Esto permite que el modelo adapte las probabilidades de transición al contexto espaciotemporal en evolución (por ejemplo, la probabilidad de que un pase se complete cambia a medida que el balón se acerca al receptor).
   • Restricciones Duras (Enmascaramiento): El CRF enmascara explícitamente las transiciones imposibles (por ejemplo, un jugador no puede recibir un pase de sí mismo, o un balón no puede "teletransportarse" entre jugadores no adyacentes sin una arista de pase). Las transiciones ilegales reciben una puntuación negativa grande, eliminándolas eficazmente del espacio de búsqueda.
   • Inferencia: La secuencia de aristas más probable se obtiene mediante la decodificación de Viterbi. Los eventos (controles, tiros, fuera de juego) se detectan en los pasos de tiempo donde la arista seleccionada cambia.

4. Entrenamiento:

   • El modelo se entrena de extremo a extremo minimizando la log-verosimilitud negativa de la secuencia de aristas de la verdad de campo (ground-truth).
   • Se añaden pérdidas auxiliares (clasificación intermedia y clasificación de emisión) para estabilizar el entrenamiento y fomentar el aprendizaje temprano de la semántica de la posesión.

Contribuciones Clave

• Formulación: El artículo formula la detección de eventos de fútbol como un problema de selección secuencial de aristas sobre un grafo dinámico, infiriendo rutas de posesión directamente desde las trayectorias de los jugadores sin estimar las posiciones del balón.
• CRF Neuronal en Deportes: Introduce la inferencia de secuencias basada en CRF neuronal, utilizando puntuación de transición dinámica y enmascaramiento duro, para imponer restricciones físicas específicas del dominio en la analítica deportiva.
• Rendimiento sin Seguimiento de Balón: Demuestra que las analíticas clave basadas en eventos (tendencias espaciales, estadísticas de posesión, redes de pases) pueden aproximarse de manera fiable utilizando únicamente datos de seguimiento de jugadores, eliminando la necesidad de anotación manual de eventos o hardware de seguimiento de balón.
• Reproducibilidad: El código fuente y los experimentos se basan en datos de seguimiento públicamente disponibles (Dataset Sportec Open DFL), lo que facilita la reproducción sencilla.

Resultados Experimentales
Los experimentos se realizaron con el Dataset Sportec Open DFL (Bundesliga alemana).

• Precisión de Aristas: PathCRF logró una precisión de aristas del 69.64% en la selección de la arista de posesión correcta entre 676 candidatos.
• Detección de Eventos: El marco alcanzó un F1-score de 75.69% para la detección de eventos.
• Consistencia Lógica: La variante Dynamic Masked CRF logró una tasa de violación del 0.00%, eliminando con éxito las transiciones físicamente imposibles que afectaron a las bases no-CRF (que tuvieron una tasa de violación del 2.80%).
• Comparación: PathCRF superó significativamente a las bases que dependían de la regresión de la trayectoria del balón o de la selección de aristas sin restricciones. También superó a las variantes de CRF estático, resaltando el beneficio de la puntuación de transición dinámica.
• Utilidad de Etapa Posterior (Downstream): Los eventos detectados se aproximaron estrechamente a los mapas de calor espaciales de la verdad de campo, las estadísticas de posesión de los equipos (prediciendo 62.64% frente al 62.13% de la verdad de campo) y las estructuras de redes de pases (baja divergencia de Jensen-Shannon y distancia espectral).

Significancia y Reivindicaciones
El artículo afirma que PathCRF ofrece una solución escalable para la analítica de fútbol al eliminar la dependencia de infraestructura de seguimiento de balón costosa y de la anotación manual laboriosa. Al producir rutas de posesión lógicamente consistentes, el marco permite análisis posteriores fiables como mapas de calor tácticos, métricas de posesión y construcción de redes de pases.

Los autores posicionan este trabajo como un paso hacia la democratización de la recolección automatizada de datos para competiciones de niveles inferiores y juveniles donde el seguimiento del balón no está disponible. También señalan que, aunque el marco está diseñado para el fútbol, su formulación es agnóstica al dominio y podría extenderse potencialmente a otros sistemas multi-agente (por ejemplo, conducción autónoma, coordinación de múltiples robots) modificando las restricciones de transición. El artículo sugiere modestamente que trabajos futuros podrían integrar características visuales de vídeos de transmisiones televisivas o guía humana para refinar aún más la precisión y categorizar los eventos en tipos más granulares.