🤖 machine learning

Training-Free Off-Screen Player Imputation for Broadcast-Based Spatial Football Analytics

Este artículo presenta un método en línea y sin necesidad de entrenamiento llamado votación de centroides anclada al rol para imputar posiciones de jugadores fuera de pantalla a partir de metraje de transmisiones, reduciendo significativamente los errores en las métricas espaciales del fútbol y mejorando el análisis posterior, como las puntuaciones de calidad de posesión, sin requerir datos de entrenamiento adicionales. Para las dos ventanas reales de la Copa del Mundo, las puntuaciones imputadas no se presentan como valores verdaderos, sino que representan un resultado de sensibilidad que demuestra cómo pueden cambiar los veredictos cuando se imputan jugadores fuera de pantalla, dada la falta de datos de referencia de campo completo en los clips de transmisión.

Autores originales: Seongjin Choi

Publicado 2026-07-14✓ Author reviewed ⓘ

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Seongjin Choi

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 por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás viendo un partido de fútbol en la televisión. La cámara sigue el balón, haciendo zoom y paneando para mantener la acción en foco. Pero aquí está el truco: la pantalla es demasiado pequeña para mostrar a todos. En cualquier momento dado, solo puedes ver a unos 10 a 16 de los 22 jugadores en el campo. Los otros 6 a 12 jugadores están "fuera de pantalla", invisibles para tus ojos.

Durante años, los programas informáticos que intentan analizar el juego (como calcular quién controla el campo) simplemente han ignorado a estos jugadores invisibles. Actuaban como si los compañeros ausentes no existieran. Este artículo argumenta que esto es un error enorme. Es como intentar adivinar el resultado de un juego de tirar de la cuerda mirando solo a las personas de un lado de la cuerda. Si ignoras al equipo invisible, tu matemática es errónea, y podrías pensar que un equipo tiene el control cuando en realidad está perdiendo la batalla.

El Gran Problema: La Distorsión "Invisible"
Los autores configuraron una simulación para medir qué tan malo es este problema del "jugador invisible". Tomaron datos perfectos de campo completo (donde podían ver a los 22 jugadores) y luego ocultaron artificialmente a los que la cámara de la televisión omitiría.

Cuando ignoraron a los jugadores fuera de pantalla, el error en sus cálculos de "control de campo" se disparó. El error aumentó entre 25.1 y 26.9 puntos porcentuales. Esa es una brecha masiva. Significa que la computadora pensó que un equipo controlaba una gran parte del campo, cuando en realidad, los jugadores invisibles estaban reteniendo ese espacio. El error al calcular cuánto "posee" un equipo de un campo saltó de 11.1 a 13.4 puntos.

La Solución: Un Equipo "Fantasma" Que No Necesita Entrenamiento
El artículo introduce una forma ingeniosa, "libre de entrenamiento", de adivinar dónde están los jugadores faltantes. Piensa en ello como un juego de "seguir al líder" con un giro.

Normalmente, si no puedes ver a un jugador, podrías suponer que se quedó donde fue visto por última vez. Pero los autores encontraron una mejor manera: Votación de Centro Anclada al Rol (Role-Anchored Centroid Voting).

Así es como funciona en lenguaje sencillo:

El Cónclave del Equipo: Cada jugador de un equipo tiene un "trabajo" o rol específico relativo al centro de su equipo. Un defensa se mantiene cerca de la parte trasera; un delantero se mantiene cerca de la parte delantera.
La Votación: Los jugadores que sí puedes ver en pantalla votan sobre dónde está el centro de todo el equipo. Lo hacen diciendo: "Yo estoy aquí, y normalmente estoy a esta distancia del centro, por lo tanto, el centro debe estar allá".
Los Fantasmas: Una vez que la computadora descubre dónde está el centro del equipo, utiliza las "distancias de trabajo" conocidas para colocar "fantasmas" (jugadores imaginarios) en los lugares correctos para los compañeros que están fuera de pantalla.

Este método no necesita una supercomputadora, no necesita aprender de miles de partidos pasados y no necesita ver el futuro. Simplemente utiliza a los jugadores que están actualmente en pantalla para adivinar dónde están los demás.

¿Qué tan bien funcionó?
En sus simulaciones, este método de "votación" cambió las reglas del juego:

Redujo el error en el control de las zonas ocultas aproximadamente a la mitad (bajando de ~26 puntos a 12.2–13.8 puntos).
Redujo el error en los cálculos de propiedad del equipo a solo el 28–48% de lo que producía el método de "ignorar".
Para los jugadores que estuvieron ocultos por un tiempo corto (menos de 9.6 segundos), la suposición fue sorprendentemente precisa, con un error de la mediana de solo 3.3 a 8.9 metros.

Sin embargo, el artículo es honesto sobre sus límites. Cuando los jugadores están ocultos por mucho tiempo (más de 9.6 segundos), las suposiciones se vuelven más difusas, con errores que crecen hasta los 15.6–16.9 metros. Los autores señalan que, aunque este método es excelente para el análisis de TV en tiempo real, un modelo de computadora que haya "aprendido" de muchos juegos pasados podría hacerlo incluso mejor si tuviera tiempo para estudiar y pudiera echar un vistazo a los fotogramas futuros. Pero para una transmisión en vivo donde no puedes esperar ni entrenar, este método "fantasma" es la mejor herramienta simple disponible.

Por Qué Importa: Cambiando el Veredicto
Los autores probaron esto con imágenes reales de transmisiones de la Copa del Mundo. Analizaron dos momentos específicos de un partido entre Países Bajos y Marruecos. Dado que no existe una verdad absoluta de campo completo para estos clips de transmisión, las puntuaciones imputadas no se presentan como valores verdaderos, sino como un resultado de sensibilidad que demuestra cómo pueden cambiar los veredictos cuando se imputan a los jugadores fuera de pantalla.

En un momento, la vista de "solo visibles" decía que el equipo estaba creando espacio con una puntuación de +15.6. Con los jugadores "fantasma" añadidos, la puntuación saltó a +32.8.
En otro momento, la vista visible decía que la jugada era una "posesión muerta" (una puntuación de -10.9). Pero una vez que se contabilizaron los jugadores invisibles, la puntuación cambió a +4.7, cambiando el veredicto de "muerto" a "progresión débil".

Esto demuestra que ignorar a los jugadores fuera de pantalla no solo añade un poco de ruido; puede cambiar completamente la historia del juego. Al añadir estos "fantasmas", el análisis se vuelve mucho más justo, dando crédito a los jugadores que están haciendo el trabajo incluso cuando la cámara no los está mirando.

Lo Que el Artículo Descarta
Los autores son muy claros sobre lo que este método no es.

No es una solución mágica que reemplaza a toda la IA avanzada. Admiten que si tienes datos de entrenamiento y puedes ver el futuro (como en la repetición de un videojuego), un modelo de IA "aprendido" sigue siendo mejor.
No es perfecto para periodos largos de ocultamiento. El método tiene dificultades cuando un jugador permanece fuera de pantalla por más de 9.6 segundos, algo que ocurre en el 50–57% de los momentos de jugadores ocultos en sus datos.
No es un reemplazo para el seguimiento de identidad perfecto. En la vida real, si la cámara pierde el rastro de un jugador o no puede leer su número de camiseta, el "fantasma" podría equivocarse de persona. El artículo sugiere que un mejor seguimiento de identidad es el siguiente paso.

La Conclusión
Este artículo muestra que los jugadores "invisibles" en las transmisiones de fútbol son un punto ciego masivo para el análisis actual. Al utilizar un sistema de votación simple e inteligente para adivinar dónde están, podemos corregir una gran parte del error sin necesidad de entrenamientos costosos o supercomputadoras. Convierte una visión sesgada e incompleta del juego en una mucho más precisa, demostrando que, a veces, tienes que imaginar las piezas faltantes para ver la imagen completa.

Resumen Técnico: Imputación de Jugadores Fuera de Pantalla sin Entrenamiento para la Analítica Espacial de Fútbol Basada en Transmisiones

Planteamiento del Problema
La analítica espacial del fútbol, como el control de campo (pitch control), depende fundamentalmente de las posiciones de los 22 jugadores. Sin embargo, la fuente principal de datos posicionales para el análisis de transmisiones —la vista de la cámara principal— es inherentemente parcial. Debido al paneo y zoom para seguir el balón, un fotograma típico de transmisión revela solo entre 10 y 16 de los 22 jugadores. Los procesos actuales de Reconstrucción del Estado del Juego (GSR, por sus siglas en inglés) suelen ignorar a estos jugadores fuera de pantalla, tratándolos como si estuvieran ausentes. Este enfoque de "solo visibles" introduce un sesgo sistemático: los equipos con defensores fuera de pantalla parecen ceder el control de la mitad oculta del campo, no debido a un fallo táctico, sino debido al encuadre de la cámara. Aunque esta distorsión se reconoce, rara vez se ha cuantificado en datos abiertos, y las soluciones aprendidas existentes (por ejemplo, el Graph Imputer de DeepMind) dependen de datos propietarios, observaciones futuras (inferencia bidireccional) y entrenamiento fuera de línea (offline), lo que las hace inaplicables para un análisis de transmisión estrictamente en línea y en tiempo real.

Metodología
El artículo propone un marco de imputación en línea y sin entrenamiento que opera únicamente con las observaciones del partido que se está analizando, sin necesidad de entrenamiento previo ni acceso a fotogramas futuros. La metodología central consiste en una "escalera" de líneas de base, que culmina en un nuevo enfoque llamado Votación de Centroide Anclada por Roles (B4):

Estrategias de Línea de Base:
- B0 (Ignorar): El estándar de línea de base de solo visibles.
- B1 (Última vez visto): Mantiene la última posición observada, decayendo hacia la media del equipo visible.
- B2 (Ancla de Formación): Almacena el desplazamiento (offset) de un jugador respecto al centroide del equipo visible mientras está visible, y aplica este desplazamiento al centroide actual del equipo cuando está oculto.
- B3 (Ancla Mejorada): Combina B2 con un Promedio Móvil Exponencial (EMA) de los desplazamientos y extrapolación de velocidad constante.
- B4 (Votación de Centroide Anclada por Roles): Este es el método propuesto y óptimo. Aborda el "sesgo del subconjunto del campo de visión" inherente a B2. Cuando la cámara panea, el subconjunto de jugadores visibles está espacialmente sesgado respecto al centroide real del equipo. B4 mitiga esto haciendo que cada jugador visible "vote" por el centroide de todo el equipo. Cada jugador visible $i$ propone el centroide del equipo completo como su posición actual menos su desplazamiento de rol almacenado ( $p_i - off_i$ ). El centroide votado $\hat{c}(t)$ es el promedio de estas propuestas. Los desplazamientos se actualizan mediante EMA en relación con este centroide votado. Los jugadores ocultos se imputan mediante $\hat{c}(t) + off_j$ . Esto crea un arranque (bootstrap) autoconsistente donde los desplazamientos y el centroide se ajustan mutuamente para cancelar el sesgo de subconjunto sistemático.
Protocolo de Evaluación:
- Datos: Datos de seguimiento de campo completo abiertos de Metrica Sports (tres partidos, 25 fps).
- Simulación: Una cámara principal virtual panea horizontalmente siguiendo la posición del balón con un suavizado exponencial, creando un campo de visión de ancho $W$ (probado en 36m, 44m, 52m, 60m).
- Métricas: La evaluación prioriza métricas relevantes para la toma de decisiones posteriores sobre la pura fidelidad de la trayectoria:
  - Error de Posición del Jugador Oculto: Distancia entre la posición imputada y la real.
  - MAE del Mapa de Control de Campo: Error en el mapa de control espacial, específicamente en la zona oculta.
  - Error de Cuota de Control del Equipo: Error en la métrica principal de "porcentaje de campo controlado por el Equipo A".

Contribuciones Clave

Referencia de Distorsión Reproducible: Los autores establecen un referente abierto que cuantifica el error introducido al ignorar a los jugadores fuera de pantalla. Demuestran que la línea de base "ignorar" infla el error de control de campo en la zona oculta entre 25.1 y 26.9 puntos porcentuales, y el error de cuota de control entre 11.1 y 13.4 puntos.
Líneas de Base en Línea sin Entrenamiento: El artículo introduce una jerarquía de métodos que no requieren entrenamiento. El mejor ejecutor, la Votación de Centroide Anclada por Roles (B4), reduce el error de control en la zona oculta aproximadamente a la mitad (a 12.2–13.8 puntos) y reduce el error de cuota de control al 28–48% de la línea de base de la política de ignorar en todos los anchos de campo de visión.
Integración de Extremo a Extremo: El método se integra en un flujo de trabajo de GSR de video de transmisión y se prueba con imágenes reales de la Copa del Mundo. Dado que no existe una verdad de campo completo para estos clips de transmisión, el estudio presenta un resultado de sensibilidad: demuestra que la imputación puede alterar los puntajes de calidad de posesión (Índice de Creación de Espacio) entre 15.6 y 17.2 puntos. Estos cambios no se presentan como valores verdaderos, sino como evidencia de que la imputación puede modificar sustancialmente los veredictos tácticos (por ejemplo, cambiando la clasificación de "posesión muerta" a "progresión débil") en ventanas de juego específicas.

Resultos

Rendimiento: Con un ancho de campo de visión estándar de 44m, B4 logra un error de posición de la mediana de 9.7–11.6 m para los jugadores ocultos, superando al ancla de formación (B2) y superando significativamente a la línea de base de ignorar.
Robustez: El método funciona consistentemente a través de tres partidos diferentes y variaciones en el ancho del campo de visión. La mejora es más pronunciada en campos de visión más estrechos (más difíciles) donde menos jugadores son visibles.
Regímenes de Oclusión: En el régimen de oclusión corta (≤9.6 s), comparable al trabajo aprendido previo, B4 logra errores de la mediana de 3.3–8.9 m. Crucialmente, el análisis revela que el 50–57% de las observaciones de jugadores ocultos en las transmisiones caen en el régimen de oclusión larga (>9.6 s), un dominio donde los modelos aprendidos bidireccionales previos no pueden operar. B4 proporciona una solución viable para la mayoría de estos casos sin contexto futuro.
Ablación: Se demuestra que el mecanismo de votación (B4) es superior a la simple aplicación de desplazamientos (B3E) porque alinea el marco de referencia para almacenar los desplazamientos con el marco de referencia para aplicarlos, evitando la acumulación de sesgo.

Significancia y Reivindicaciones
El artículo mantiene una posición modesta, declarando explícitamente que los imputadores aprendidos siguen siendo preferibles cuando se dispone de datos de entrenamiento y contexto futuro. Sin embargo, los autores establecen tres puntos críticos:

Distorsión Cuantificada: Demuestran que la distorsión causada por ignorar a los jugadores fuera de pantalla es lo suficientemente grande como para invalidar las métricas espaciales si no se aborda.
Base sin Entrenamiento: Proporcionan una línea de base de rendimiento (B4) que los métodos aprendidos deben superar, demostrando que es posible lograr mejoras significativas sin entrenamiento offline o recursos de GPU.
Viabilidad en Oclusión Larga: Destacan y califican el régimen de oclusión larga (>9.6 s), que constituye la mayoría de las observaciones de jugadores ocultos en los datos de transmisión y que queda fuera del alcance del trabajo aprendido más cercano.

El trabajo concluye que, para la analítica de transmisión estrictamente en línea, un método sin entrenamiento como la Votación de Centroide Anclada por Roles es un componente necesario y efectivo para recuperar la integridad espacial, evitando que el encuadre de la cámara dicte el análisis táctico.

Más como este