⚡ electrical engineering

Data-Driven Framework of Player Spatial Ownership in Football

Este artículo introduce un marco de trabajo totalmente basado en datos para cuantificar la propiedad espacial de los jugadores en el fútbol mediante la estimación de parámetros de movimiento individualizados a partir de datos de seguimiento óptico para calcular los tiempos de llegada y asignar el control de las regiones del campo sin depender de supuestos de movimiento generalizados.

Autores originales: Daniel Castro, Jan-Anders Mansson

Publicado 2026-08-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Daniel Castro, Jan-Anders Mansson

Artículo original bajo licencia CC BY 4.0 (https://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

En el fútbol moderno, la historia se cuenta a menudo a través del balón. Celebramos al delantero que marca, al centrocampista que filtra un pase perfecto o al defensa que intercepta un centro peligroso. Estos momentos son fáciles de ver y fáciles de contar. Sin embargo, una gran parte del juego ocurre sin que el balón llegue a tocar los pies de un jugador. Ocurre en los espacios entre los jugadores, en las carreras realizadas para crear una apertura y en el posicionamiento que obliga a un oponente a vacilar. Durante décadas, entrenadores y analistas han luchado por medir esta influencia invisible. ¿Cuánto espacio controla realmente un jugador en cada segundo? ¿Quién podría llegar a un parche específico de hierba más rápido que cualquier otro? Responder a esta pregunta requiere más que solo observar; requiere una forma de traducir el movimiento caótico de veintidós atletas en un mapa claro de quién es el dueño del campo.

Durante años, los investigadores han intentado resolver esto trazando líneas imaginarias en el terreno de juego, dividiendo el suelo en territorios basados en dónde se encuentran los jugadores. Estos modelos, conocidos como modelos de región dominante, asumen que si un jugador está más cerca de un punto que cualquier otro, es el dueño de este. Sin embargo, este enfoque trata a todos los jugadores como si se movieran exactamente de la misma manera. Ignora el hecho de que un jugador puede ser un velocista que acelera instantáneamente, mientras que otro puede ser un corredor potente que gira lentamente. También asume que todos reaccionan al juego con la misma velocidad, ignorando que algunos jugadores son más rápidos para detectar un cambio en el juego que otros. Esta simplificación pasa por alto la firma física única de cada atleta en el campo.

Un nuevo estudio de la Universidad de Purdue ofrece una forma diferente de mirar el juego, una que construye un mapa del espacio basado en cómo se mueven las personas reales. En lugar de asumir que todos son iguales, los investigadores desarrollaron un sistema que aprende los hábitos de movimiento específicos de cada jugador a partir de los datos recopilados durante los partidos. Utilizaron datos de seguimiento óptico, que registran la posición exacta de cada jugador y del balón veinticinco veces por segundo. De este flujo de números, el equipo extrajo un perfil único para cada atleta. Calcularon qué tan rápido podía acelerar cada jugador, qué tan rápido podía frenar, su velocidad máxima y exactamente cómo maneja los giros. Quizás lo más importante, determinaron el tiempo de reacción de cada jugador: el retraso de una fracción de segundo entre ver el movimiento del balón y comenzar a correr hacia él.

Los investigadores utilizaron luego estos perfiles individuales para simular una carrera a través de todo el campo. Dividieron el terreno de juego en una cuadrícula de pequeños cuadrados, cada uno de cincuenta centímetros de ancho, aproximadamente el tamaño del alcance lateral de un jugador. Para cada pequeño cuadrado en el campo, el sistema se hacía una pregunta simple: si un jugador necesitara llegar a este punto ahora mismo, ¿cuánto tiempo le tomaría? Para responder a esto, el modelo ejecutó dos escenarios diferentes para cada jugador. En el primer escenario, el jugador seguía moviéndose hacia adelante mientras ajustaba constantemente su dirección, como un coche que maniobra alrededor de una curva sin detenerse nunca. En el segundo escenario, el jugador reducía la velocidad hasta detenerse, giraba su cuerpo para enfrentar el objetivo y luego aceleraba hacia él. El sistema calculó el tiempo para ambas estrategias y conservó la más rápida.

Al ejecutar estos cálculos para cada jugador y cada cuadrado del campo, los investigadores crearon un mapa dinámico de "Propiedad Espacial del Jugador". Este mapa muestra qué jugador puede llegar a cualquier punto dado más rápido, teniendo en cuenta su velocidad específica, su capacidad de giro y su tiempo de reacción personal. El estudio encontró que cuando se tienen en cuenta estas diferencias individuales, la imagen de quién controla el espacio cambia significativamente en comparación con los modelos anteriores. Un jugador que podría parecer lejano en un mapa estático podría ser en realidad el primero en llegar a un punto porque reacciona más rápido o gira de manera más eficiente que sus oponentes.

El equipo probó este método utilizando datos de partidos de fútbol reales proporcionados por la FIFA. Encontraron que el sistema podía procesar todo el campo de una manera que es lo suficientemente rápida como para ser utilizada en tiempo real y lo suficientemente detallada como para capturar los matices del movimiento individual. A diferencia de los métodos anteriores que requerían matemáticas complejas y no reproducibles o asumían que todos se movían de forma idéntica, este marco está construido enteramente sobre datos observados. No adivina cómo se mueve un jugador; aprende de cómo se ha movido en el pasado. El resultado es una herramienta que puede mostrar, con precisión, cómo un equipo crea espacio, cómo un defensa cubre un área y cómo los rasgos físicos únicos de un jugador influyen en el flujo del juego.

Este enfoque no solo nos dice quién está más cerca del balón; nos dice quién tiene la capacidad física para dominar el espacio que lo rodea. Revela que el control espacial no es un territorio fijo, sino una competencia fluida de velocidad, agilidad y reacción. Al tratar a cada jugador como un individuo único con su propia firma de movimiento, el estudio proporciona una visión más clara y realista del juego. Sugiere que el verdadero valor de un jugador a menudo no reside en lo que hace con el balón, sino en cómo se mueve sin él, moldeando el campo de formas que antes eran imposibles de medir. Este nuevo marco ofrece una base para comprender la geometría invisible del fútbol, convirtiendo el movimiento caótico del juego en una historia de capacidad individual y control táctico.

Resumen Técnico: Marco de Datos para la Propiedad Espacial del Jugador en el Fútbol

Planteamiento del Problema
La analítica actual del fútbol evalúa principalmente a los jugadores basándose en métricas centradas en el balón (goles, asistencias, precisión de pase), lo que deja una brecha significativa en la cuantificación de la capacidad de un jugador para crear y controlar el espacio sin la posesión. Aunque los modelos de "Región Dominante" han abordado históricamente el control espacial, los enfoques existentes sufren de varias limitaciones: a menudo asumen capacidades físicas idénticas entre todos los jugadores, utilizan comportamientos de movimiento simplificados que ignoran la dinámica de giro, dependen de representaciones no paramétricas computacionalmente exigentes y no incorporan explícitamente los tiempos de reacción individualizados. En consecuencia, existe la necesidad de un marco que estime la propiedad espacial utilizando únicamente datos de seguimiento óptico (optical tracking) y que tenga en cuenta los perfiles cinemáticos únicos de cada jugador.

Metodología
El marco propuesto estima la Propiedad Espacial del Jugador (PSO, por sus siglas en inglés) determinando qué jugador puede alcanzar primero cualquier región dada del campo, basándose en las capacidades de movimiento individualizadas derivadas de datos históricos de seguimiento óptico. La metodología se desarrolla a través de las siguientes etapas:

Entrada y Preprocesamiento de Datos:
- El sistema utiliza datos de seguimiento óptico muestreados a 25 Hz, registrando las coordenadas $(x, y)$ e la velocidad instantánea de todos los jugadores, árbitros y el balón.
- El campo se discretiza en una cuadrícula uniforme de 28,560 regiones cuadradas (50 cm $\times$ 50 cm), que corresponden al alcance lateral promedio de un jugador.
Estimación del Perfil de Movimiento Individualizado:
- A diferencia de modelos anteriores que asumen parámetros uniformes, este marco extrae límites cinemáticos específicos para cada jugador a partir de datos históricos.
- Dinámica Lineal: Estima la velocidad máxima/mínima ( $v_{i,MAX}, v_{i,MIN}$ ), aceleración/deceleración ( $a_{i,MAX}, a_{i,MIN}$ ) y las tasas de cambio de la aceleración.
- Dinámica Angular: Para mitigar el ruido, la velocidad angular ( $\omega$ ) y la aceleración ( $\alpha$ ) se estiman a partir de trayectorias muestreadas cada 0.4 s. El modelo captura la velocidad y aceleración angular máxima/mínima, junto con sus tasas de cambio.
- Tiempo de Reacción ( $t_{r,i}$ ): En lugar de utilizar una constante fija, se estiman tiempos de reacción individualizados identificando momentos en los que el balón experimenta un cambio de velocidad ( $\ge 10$ m/s). El tiempo transcurrido hasta que un jugador dentro de un sector angular específico exhibe un cambio significativo en la aceleración lineal o angular se registra como un evento de reacción.
Modelos de Simulación de Movimiento:
Para estimar el tiempo de llegada a una región objetivo, el marco simula dos estrategias de movimiento complementarias y conserva el tiempo más corto:
- Movimiento Acelerado Continuo (CAM): El jugador ajusta continuamente su dirección mientras mantiene el movimiento hacia adelante, acelerando hacia el objetivo sin detenerse.
- Movimiento Reactivo Escalonado (SRM): El jugador primero desacelera hasta detenerse, cambiando de dirección, potencialmente completa un giro sobre su propio eje y luego acelera hacia el objetivo.
- Pasos de Simulación:
  1. Fase de Reacción: El jugador continúa su movimiento actual durante la duración de su tiempo de reacción individualizado ( $t_{r,i}$ ).
  2. Fase de Giro: El jugador ajusta su orientación hacia el objetivo. La dirección del objetivo se define mediante el centroide y los puntos medios de los bordes de la región. Se aplica una deceleración angular para evitar el sobrepasamiento (overshooting).
  3. Fase Lineal: El jugador avanza en línea recta hacia el objetivo.
  - En el SRM, si el jugador no está alineado tras detenerse, se simula un paso adicional de "giro sobre el propio eje" antes del avance lineal.
Optimización y Asignación:
- Para cada región de la cuadrícula, el marco calcula el tiempo de llegada para todos los jugadores.
- Para garantizar la eficiencia computacional, los jugadores se ordenan por distancia euclidiana al objetivo. Las simulaciones se descartan prematuramente si el tiempo estimado actual de un jugador supera el mejor tiempo encontrado hasta el momento para esa región.
- La región se asigna al jugador con el tiempo de llegada mínimo.

Contribuciones Clave

Parametrización Totalmente Basada en Datos: El marco elimina la necesidad de ajuste manual de parámetros o supuestos de capacidades idénticas entre jugadores al derivar la aceleración, la deceleración, la dinámica de giro y los tiempos de reacción directamente de los datos de seguimiento óptico.
Estrategia de Movimiento Dual: Al evaluar tanto la aceleración continua (CAM) como el movimiento reactivo escalonado (SRM), el modelo captura una gama más amplia de comportamientos realistas de los jugadores, particularmente en lo que respecta a la agilidad de giro y la mecánica de frenado.
Tiempo de Reacción Individualizado: El método introduce un procedimiento novedoso para estimar los tiempos de reacción específicos de cada jugador basados en los cambios de velocidad del balón y las respuestas de aceleración subsiguientes del jugador, abordando una laguna en los modelos previos de región dominante.
Eficiencia Computacional: Mediante operaciones vectorizadas y lógica de salida temprana de la simulación, el marco está diseñado para ser reproducible y capaz de aplicación en tiempo real sin requerir sensores corporales (wearables).

Resultados y Afirmaciones
El artículo presenta la metodología como un marco completo en lugar de un estudio de resultados de partidos específicos o un benchmark comparativo contra otros modelos utilizando conjuntos de datos externos. Los autores demuestran el flujo de trabajo a través de ejemplos ilustrativos (por ejemplo, Figura 3) que muestran cómo difieren las trayectorias CAM y SRM para un solo jugador que tiene como objetivo una región específica.

Los autores afirman que esta metodología proporciona:

Una estimación realista del control espacial que tiene en cuenta las limitaciones físicas individuales y los tiempos de reacción.
Un sistema reproducible e interpretable que depende únicamente de datos estándar de seguimiento óptico.
Una base para análisis futuros relativos a oportunidades de pase, movimiento sin balón y toma de decisiones tácticas.

Significancia
El artículo posiciona la PSO no como una métrica de rendimiento final, sino como una representación espacial fundamental sobre la cual se pueden construir análisis tácticos y de rendimiento avanzados. Al alejarse de las simplificaciones geométricas hacia un modelado cinemático individualizado, el marco pretende permitir una comprensión más profunda de cómo los jugadores y los equipos crean, mantienen o pierden el control del espacio. Los autores señalan que, si bien la implementación actual está limitada al movimiento en 2D y a los tiempos de reacción derivados de datos, el enfoque es adaptable a otros deportes de invasión y puede extenderse para considerar factores dinámicos como la fatiga.

Resumen Técnico: Marco de Datos para la Propiedad Espacial del Jugador en el Fútbol

Más como este