🤖 AI

Monte Carlo Pass Search: Using Trajectory Generation for 3D Counterfactual Pass Evaluation in Football

Este artículo presenta la Búsqueda de Pases de Monte Carlo (MCPS, por sus siglas en inglés), un nuevo marco que aprovecha un modelo de mundo condicionado por una pelota en 3D y un modelo de valor para simular variantes de ejecución de pases y evaluar sus resultados contrafácticos, permitiendo así la atribución y el ranking con conciencia de la distribución de los pases de fútbol utilizando datos de seguimiento de alta fidelidad de la Bundesliga.

Autores originales: Andrew Kang, Priya Narasimhan

Publicado 2026-06-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Andrew Kang, Priya Narasimhan

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 que estás viendo un partido de fútbol. Un jugador le pasa el balón a un compañero. En el pasado, los analistas se fijaban en el resultado: ¿el compañero lo recibió? ¿Marcó gol? Si la respuesta era sí, era un "buen" pase. Si no, era un "mal" pase.

Pero este artículo argumenta que juzgar un pase solo por su resultado es como juzgar a un chef solo por si el cliente se comió la comida. Ignora si el chef realmente preparó una obra maestra que simplemente se cayó al suelo, o si sirvió una comida quemada que el cliente se comió de todos modos.

Los autores, Andrew Kang y Priya Narasimhan de la Universidad Carnegie Mellon, construyeron un nuevo sistema llamado Monte Carlo Pass Search (MCPS). Piensa en esto como un "Simulador de Qué Pasaría Si" para los pases de fútbol.

Así es como funciona, desglosado en partes sencillas:

1. El Problema: El "Efecto Mariposa" del Fútbol

En el fútbol, dos pases pueden parecer idénticos pero tener resultados muy diferentes.

Pase A: Un pase perfecto, ligeramente arriesgado, que golpea el pie de un compañero a la perfección. Gran resultado.
Pase B: Exactamente el mismo pase, pero el compañero resbala ligeramente. Mal resultado.

Las estadísticas tradicionales tratan estos casos como diferentes. Este sistema pregunta: ¿Qué tan frágil fue ese pase? Si el jugador hubiera pateado un 2% más fuerte o un grado hacia la izquierda, ¿seguiría habiendo funcionado?

2. La Solución: Ejecutar una "Carrera de Simulación"

En lugar de mirar solo un pase, MCPS ejecuta miles de escenarios de "qué pasaría si" para cada único toque. Es como un videojuego que simula los siguientes segundos del juego una y otra vez, pero con pequeños cambios en cada ocasión.

El sistema tiene tres partes principales, como un equipo de expertos:

El "Detective del Pase" (Modelo de Política):
Primero, determina exactamente cómo pateó el jugador el balón. Como las cámaras no son perfectas, utiliza las matemáticas para adivinar la velocidad, el giro y el ángulo del tiro.
- Analogía: Imagina a un detective intentando reconstruir exactamente cómo un coche chocó contra una pared solo mirando las marcas de frenado.
La "Bola de Cristal" (Modelo de Mundo):
Una vez que sabe cómo se pateó el balón, predice qué sucede después. Simula cómo correrán otros jugadores, dónde rebotará el balón y quién lo tocará después.
- Analogía: Esto es como un pronosticador del tiempo, pero en lugar de lluvia, predice los movimientos de los jugadores. Utiliza un sistema especial de "tokens" (como palabras en una oración) para predecir el futuro paso a paso, lo que ayuda a que funcione bien incluso con datos limitados.
El "Contador de Puntos" (Modelo de Valor):
Después de simular el futuro, se pregunta: "¿Este nuevo escenario ayudó al equipo a acercarse a marcar un gol?". Le asigna una puntuación al escenario.
- Analogía: Es como un entrenador observando la simulación y gritando: "¡Buen movimiento!" o "¡Eso fue un error!".

3. Los Dos Tipos de Simulaciones

El sistema ejecuta dos tipos diferentes de "carreras" para evaluar a un jugador:

Carrera 1: La Prueba de "Ejecución" (Búsqueda Local)
El sistema toma la misma idea de pase pero cambia el tiro ligeramente (un poco más rápido, un poco más a la izquierda).
- Objetivo: Ver si el pase era frágil. Si un pequeño error arruina la jugada, el pase era arriesgado. Si la jugada sigue funcionando incluso con un mal tiro, el pase fue robusto.
- Resultado: Esto nos dice si un jugador es un pateador "afortunado" o un pateador "consistente".
Carrera 2: La Prueba de "Oportunidad" (Búsqueda Global)
El sistema cambia el destino del pase por completo. Se pregunta: "¿Podría el jugador haber pateado el balón a un compañero diferente para obtener un mejor resultado?".
- Objetivo: Ver si el jugador tomó la mejor decisión.
- Resultado: Esto nos dice si un jugador es un tomador de decisiones "inteligente" que ve las mejores opciones.

4. Lo Que Encontraron

Utilizando datos reales de la Bundesliga alemana (una liga de fútbol de alto nivel), probaron esto en un partido específico.

Descubrieron que algunos pases parecían geniales pero eran en realidad muy "estrechos", lo que significa que solo funcionaban si todo salía perfecto.
Descubrieron que algunos jugadores realizaban consistentemente pases que eran robustos (difíciles de arruinar) o elegían opciones que eran mucho mejores que el promedio de las alternativas.
Demostraron que incluso con una pequeña cantidad de datos públicos (solo 7 partidos), su método de simulación basado en "tokens" era más preciso para predecir los movimientos de los jugadores que otros métodos existentes.

Resumen

Este artículo no solo dice: "El Pase X fue bueno". Dice:

¿Qué tan buena fue la decisión? (¿Eligió al mejor compañero?)
¿Qué tan buena fue la ejecución? (¿Pateó perfectamente o tuvo suerte?)
¿Qué tan arriesgado fue? (¿Un pequeño error habría arruinado la jugada?)

Al simular miles de futuros de "qué pasaría si", transforman un solo momento de fútbol en una rica distribución de posibilidades, ayudando a entrenadores y cazatalentos a comprender la verdadera calidad del pase de un jugador, no solo el resultado.

Resumen Técnico: Búsqueda de Pases de Monte Carlo (MCPS)

Planteamiento del Problema

El análisis del fútbol (soccer) ha dependido tradicionalmente de conjuntos de datos propietarios y métricas de estimación puntual (por ejemplo, amenaza esperada, pase esperado) que evalúan un único resultado realizado. Este enfoque no logra desentrañar tres componentes críticos de una decisión de pase:

Calidad de la Opción: Si el pasador eligió un buen objetivo.
Fragilidad de la Ejecución: Si la opción elegida tenía una "ventana de éxito" estrecha (es decir, era altamente sensible a pequeños errores en los parámetros del golpeo).
Calidad de la Ejecución: Si el golpeo real fue mejor o peor que la ejecución típica para ese intento específico.

Los modelos existentes suelen tratar los pases como eventos deterministas o dependen de simulaciones físicas basadas en reglas que no pueden capturar movimientos complejos de jugadores fuera del balón contextualizados en el juego. La falta de datos de seguimiento 3D públicos y de alta fidelidad ha dificultado además el desarrollo de marcos de evaluación reproducibles y conscientes de la distribución.

Metodología: Búsqueda de Pases de Monte Carlo (MCPS)

Los autores reformulan la evaluación del pase como un problema similar a la Búsqueda de Árbol de Monte Carlo (MCTS), reemplazando los simuladores diseñados a mano por modelos generativos aprendidos. El marco opera en el espacio espaciotemporal bruto y consta de tres componentes principales:

1. El Modelo de Valor (Valor de Posesión)

Un modelo basado en Transformer asigna un valor escalar de Valor de Posesión (PV) a cualquier estado de juego.

Definición: $PV = P(\text{Ego anota en 10s}) - P(\text{Oponente anota en 10s})$ .
Entrenamiento: Entrenado con ventanas de seguimiento mediante cabezales de entropía cruzada binaria, utilizando tiros dentro de 10 segundos como etiquetas (ponderados por goles esperados para mitigar la dispersión).
Rol: Proporciona la señal de recompensa para evaluar el resultado de las ejecuciones (rollouts) simuladas.

2. El Modelo del Mundo (Generación de Trayectorias)

Un modelo generativo predice futuros de corto horizonte (trayectorias de jugadores y del balón) condicionados a un candidato de trayectoria de balón. Para asegurar la eficiencia de muestreo con datos públicos limitados, los autores adaptan SMART, un modelo autorregresivo de tokens discretos de la conducción autónoma.

Arquitectura: Un Transformer espacio-temporal de solo decodificador utilizando tokens discretos.
- Tokens: El movimiento del jugador (velocidades planas 10D) y el movimiento del balón (velocidades 3D 15D) se cuantifican en vocabularios mediante k-means.
- Condicionamiento: El modelo se condiciona en 8 tokens de historia y predice 24 tokens de ejecución (rollout).
Módulos de Interacción:
- Jugador-al-Toque: Predice al siguiente jugador que toca el balón y el tiempo hasta el toque utilizando un objetivo de tipo supervivencia.
- Balón-en-el-Toque: Predice la velocidad del balón post-toque mediante un regresor Gaussiano diagonal.
Ejecución (Rollout): El modelo genera futuros multi-agente estocásticos hasta la primera interacción significativa con el balón (toque, desviación o fuera de los límites).

3. El Modelo de Política (Búsqueda sobre Variantes de Pase)

Para cada pase observado, MCPS infiere los parámetros del golpeo (velocidad inicial 3D y rotación) utilizando un resolvedor de tipo CEM acoplado a un simulador de física. Luego construye dos conjuntos de acciones contrafácticas:

Búsqueda Local: Muestrea 256 variantes aplicando pequeñas perturbaciones a los parámetros de golpeo inferidos (modelando el ruido de ejecución).
Búsqueda Global: Muestrea 256 variantes con perturbaciones mayores para explorar alternativas de pase (diferentes objetivos/direcciones) desde el mismo estado previo al pase.

Marco de Evaluación

Cada candidato de pase (observado o contrafáctico) es ejecutado a través del Modelo del Mundo y puntuado por el Modelo de Valor para obtener una distribución de la ganancia de Valor de Posesión ( $\Delta PV$ ). Se computan dos métricas conscientes de la distribución para la atribución:

Excedente de Diferencia de Media ( $S_{mean}$ ): La diferencia entre el $\Delta PV$ del pase observado y el $\Delta PV$ medio del conjunto contrafáctico.
Excedente de Percentil ( $S_{pct}$ ): El rango de percentil del $\Delta PV$ del pase observado dentro de la distribución contrafáctica.

Contribuciones Clave

Evaluación de Ejecución Condicionada a la Trayectoria: Un marco que genera diversos futuros de corto horizonte condicionados a candidatas trayectorias de balón, yendo más allá de las estimaciones puntuales hacia distribuciones completas.
Búsqueda de Monte Carlo Dual: Un mecanismo que separa la sensibilidad de ejecución (búsqueda local) de la aproximación del conjunto de oportunidades (búsqueda global).
Métricas Conscientes de la Distribución: Introducción de las puntuaciones $S_{mean}$ y $S_{pct}$ que permiten un análisis matizado de la robustez del pase y la calidad de la decisión.
Adaptación de Modelos Autorregresivos: Demostración de que los generadores de trayectorias autorregresivos basados en tokens discretos (adaptados de SMART) ofrecen una fuerte precisión de pronóstico best-of-20 con datos de fútbol públicos limitados, permitiendo ejecuciones hipotéticas completas.

Resultados

El marco fue evaluado en un conjunto de datos público de la Bundesliga (7 partidos, seguimiento a 25 Hz, coordenadas 3D del balón).

Predicción de Trayectorias: El modelo SMART adaptado logró un Best-of-20 minADE de 2.4 y un minFDE de 4.7, superando a los modelos base, incluyendo un modelo estático, velocidad constante, un Transformer ingenuo y el checkpoint público de Sports-Traj (minADE 4.2).
Jugador-al-Toque: El modelo híbrido (Trayectoria + Predicción de Toque) alcanzó una precisión de Top-1 de Receptor de 0.605. Los autores señalan que esto es un límite inferior conservador debido al desajuste de objetivos (entrenamiento sobre peligro de primer toque vs. inferencia sobre futuros hipotéticos) y la incertidumbre de la ejecución.
Estudio de Caso (Bochum vs. Leverkusen):
- Sensibilidad de Ejecución: El análisis de un pase específico de Florian Wirtz mostró una dispersión no trivial en el $\Delta PV$ incluso bajo pequeñas perturbaciones locales, resaltando que algunos pases son valiosos solo bajo una ejecución casi perfecta.
- Clasificación de Jugadores: La agregación de métricas a lo largo de un partido permite clasificar a los jugadores según:
  - Búsqueda Local: Consistencia relativa a la dificultad de ejecución (un alto excedente de percentil indica una ejecución robusta).
  - Búsqueda Global: Selección sistemática de opciones de alto valor (un alto excedente de diferencia de media indica la elección de mejores objetivos que el promedio de las alternativas).

Significado y Reivindicaciones

El artículo afirma establecer una nueva línea base para la analítica de fútbol que reconecta el campo con la comunidad más amplia de Visión por Computadora mediante el uso de datos públicos de alta fidelidad.

De Estimaciones Puntuales a Distribuciones: MCPS modela explícitamente el riesgo y la fragilidad de los pases, distinguiendo entre una "buena decisión con mala ejecución" y una "mala decisión con buena ejecución".
Desacoplamiento de Factores: Al separar las búsquedas local (ejecución) y global (opción), el marco proporciona una visión más granular del rendimiento del jugador que las métricas existentes.
Viabilidad con Datos Públicos: El trabajo demuestra que la evaluación consciente de la distribución y de alta fidelidad es posible incluso con conjuntos de datos públicos pequeños (7 partidos) mediante el aprovechamiento de técnicas de modelado generativo basadas en tokens eficientes adaptadas de la conducción autónoma.

Los autores reconocen limitaciones, incluyendo la escala reducida de los datos de entrenamiento, el ruido potencial en la sincronización de seguimiento y la simplificación de las distribuciones de búsqueda. Sugieren que el trabajo futuro debería centrarse en horizontes de múltiples interacciones, un mejor modelado de interacciones raras (por ejemplo, duelos aéreos) y políticas de propuesta más realistas para la búsqueda global.