🔢 mathematics

Constrained Multi-Agent Optimal Control for Football Tactical Decision Support: Analysis, Solver Verification, and Reproducible Scenario Experiments

Este artículo presenta un marco de control óptimo multiagente con restricciones para la toma de decisiones tácticas en el fútbol que establece condiciones de optimalidad teórica, implementa un resolvedor numérico y valida el enfoque mediante experimentos sintéticos reproducibles que demuestran mejoras significativas en el rendimiento estratégico sobre las estrategias de referencia.

Autores originales: Abbes Kadyri, Abdelfettah Belkahla, Otmane Bencheihb

Publicado 2026-09-03

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Abbes Kadyri, Abdelfettah Belkahla, Otmane Bencheihb

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

El fútbol se describe a menudo como un juego de espacio y tiempo, donde el activo más valioso no es solo el balón, sino el terreno vacío que lo rodea. Durante décadas, entrenadores y analistas han observado repeticiones para comprender cómo se mueven los equipos, intentando detectar patrones en la forma en que un grupo de once jugadores pasa de un bloque defensivo compacto a una formación de ataque. La tecnología moderna ha hecho que esta observación sea aún más precisa, permitiéndonos rastrear la posición exacta de cada jugador en el campo a alta velocidad. Sin embargo, saber dónde están los jugadores y cómo se movieron en el pasado es diferente a saber qué deben hacer a continuación. La gran pregunta que permanece es cómo calcular la trayectoria perfecta para que un equipo entero se mueva de una forma a otra, respetando los límites físicos de los jugadores y las reglas del campo. Este es el desafío del soporte de decisiones tácticas: convertir la idea abstracta de un "buen movimiento" en un plan concreto y ejecutable.

Un equipo de investigadores de la Universidad Chouaib Doukkali en Marruecos ha abordado este problema tratando las tácticas de fútbol como un complejo rompecabezas matemático. Construyeron un modelo informático que simula el escenario de un partido completo, no mediante conjeturas sobre lo que podría suceder, sino calculando la mejor manera única para que un equipo se reorganice. En su estudio, no dependieron de imágenes de partidos reales o datos históricos. En su lugar, crearon un escenario sintético, o completamente inventado, que involucra a once jugadores en un campo estándar que mide 105 por 68 metros. Definieron un conjunto de objetivos que un entrenador podría querer lograr, tales como controlar más terreno, mantener la línea defensiva compacta, presionar al oponente agresivamente y conservar energía. También establecieron reglas físicas estrictas, asegurando que ningún jugador en la simulación pudiera correr más rápido que una velocidad máxima realista de 7.0 metros por segundo.

Los investigadores le pidieron a su computadora encontrar la trayectoria óptima para que cada jugador viaje desde una posición inicial hasta una posición objetivo durante un periodo de doce segundos. Para lograrlo, utilizaron un método que comprueba constantemente las compensaciones entre diferentes objetivos. Por ejemplo, si un equipo intenta presionar más al oponente, los jugadores deben correr más rápido, lo que consume más energía. Si se mantienen demasiado alejados, pierden estabilidad defensiva. La computadora tuvo que equilibrar todas estas necesidades contrapuestas simultáneamente. El resultado fue un conjunto de instrucciones precisas sobre cómo debe moverse cada jugador en cada fracción de segundo para lograr el mejor resultado general.

Cuando los investigadores compararon el plan optimizado de la computadora con dos alternativas más simples, la diferencia fue clara. La primera alternativa fue una base estática, donde el equipo simplemente se mantuvo en su formación inicial sin moverse. La segunda fue una transición lineal, donde los jugadores se movían en línea recta a una velocidad constante hacia su objetivo, como una animación simple. La solución optimizada de la computadora, que involucró trayectorias curvas complejas donde los jugadores aceleraban y desaceleraban en momentos específicos, funcionó significamente mejor. Redujo el "costo" general de la maniobra en un 11.58 por ciento en comparación con el simple movimiento en línea recta y en un 38.26 por ciento en comparación con quedarse quieto. Esta mejora provino de la capacidad del modelo para posicionar a los jugadores de modo que pudieran cubrir más terreno y aplicar más presión, aun cuando esto requiriera que corrieran un poco más duro.

El estudio también probó cómo se comportaría el equipo si el entrenador cambiara sus prioridades. En un experimento, los investigadores le dijeron a la computadora que se enfocara casi por completo en presionar al oponente. El plan resultante mostró a los jugadores moviéndose más agresivamente para cerrar espacios, aceptando un mayor riesgo de dejar huecos en la defensa. En otro experimento, priorizaron la estabilidad defensiva. La computadora respondió haciendo que los jugadores se movieran más lentamente y se mantuvieran más cerca entre sí, reduciendo su gasto de energía pero permitiendo al oponente más espacio. Estas pruebas demostraron que el sistema no estaba simplemente siguiendo un guion rígido; estaba resolviendo genuinamente un acto de equilibrio, cambiando su comportamiento basándose en las instrucciones específicas dadas.

Es importante entender los límites de este trabajo. Los investigadores fueron muy claros en que esto era una verificación matemática, no una predicción del fútbol de la vida real. Los jugadores en la simulación no eran humanos reales con fatiga, lesiones o peculiaridades individuales; eran puntos idealizados que se movían según reglas estrictas. El oponente también era fijo y predecible, no un adversario pensante tratando de superar al equipo. El estudio no pretendía haber resuelto el fútbol o proporcionar una fórmula mágica para ganar partidos. En cambio, demostró que las matemáticas subyacentes y el código informático utilizados para resolver estos problemas eran sólidos y fiables. El equipo verificó sus resultados comprobando los cálculos de múltiples maneras, asegurando que las comprobaciones de gradiente de la computadora fueran precisas y que la solución no cambiara si la cuadrícula utilizada para el cálculo se hacía más fina.

El objetivo final de esta investigación es construir una base para futuras herramientas que puedan ayudar a los entrenadores. Al demostrar que un problema táctico complejo de múltiples jugadores puede resolverse con un algoritmo informático verificado, los investigadores han creado un referente reproducible. Esto significa que otros científicos pueden usar los mismos datos sintéticos y el mismo código para probar sus propias ideas. El siguiente paso, según los autores, es tomar este marco de trabajo y alimentarlo con datos reales de partidos reales. Solo entonces podrá el modelo calibrarse con la realidad desordenada del deporte, donde los jugadores se cansan, el balón se mueve de forma impredecible y los oponentes reaccionan dinámicamente. Por ahora, el estudio se mantiene como una prueba rigurosa de que las matemáticas de las tácticas de fútbol pueden ser mapeadas, calculadas y optimizadas, ofreciendo una nueva lente a través de la cual ver la profundidad estratégica del juego.

Resumen Técnico: Control Óptimo de Agentes Múltiples con Restricciones para el Apoyo a la Decisión Táctica en el Fútbol

1. Planteamiento del Problema

Esta investigación aborda la pregunta prescriptiva de cómo debe evolucionar la configuración colectiva de un equipo de fútbol a lo largo del tiempo para lograr objetivos tácticos específicos, dadas unas restricciones de movimiento explícitas. A diferencia de la analítica descriptiva o predictiva que analiza eventos pasados o pronostica resultados, este trabajo formula la planificación táctica como un problema de control óptimo de agentes múltiples con restricciones.

El desafío central es determinar los controles de velocidad óptimos para $N_p$ jugadores (modelados como estados) sobre un horizonte temporal $T$ en un campo $\Omega$ . El sistema debe equilibrar objetivos tácticos contrapuestos:

Control Territorial: Maximizar la influencia sobre regiones espaciales específicas.
Exposición Defensiva: Minimizar los huecos entre defensores vinculados.
Compacidad: Mantener una forma de equipo cohesiva.
Cobertura de Presión: Reducir la distancia hacia los jugadores oponentes en zonas de alta presión.
Esfuerzo de Movimiento: Minimizar el coste energético de los cambios de velocidad.
Precisión Terminal: Alcanzar una formación objetivo al final del horizonte.

El problema está sujeto a restricciones físicas, incluyendo una velocidad máxima de jugador ( $V_{max}$ ) y el requisito de que todos los jugadores permanezcan dentro de los límites del campo.

2. Metodología

Formulación Matemática

Los autores modelan el campo como un rectángulo cerrado $\Omega = [0, L] \times [0, W]$ . Las posiciones de los jugadores $x_i(t)$ evolucionan según la cinemática de primer orden $\dot{x}_i = u_i$ , donde $u_i$ es el control de velocidad. El oponente se trata como una trayectoria prescrita $Y(t)$ en lugar de un agente optimizador, aislando el problema de control de un solo equipo.

El objetivo es minimizar un funcional de Bolza adimensional $J(U)$ , que combina:

Coste de Ejecución (Running Cost): Una suma ponderada de pérdidas tácticas normalizadas (territoriales, defensivas, de compacidad, de presión y de esfuerzo) integradas en el tiempo.
Coste Terminal: Una penalización por la desviación de una formación objetivo $X_{tar}$ .

La participación del control espacial $P_A(z)$ se modela mediante campos de influencia exponenciales basados en los tiempos de llegada, normalizados frente a la influencia del oponente. Todas las funciones de pérdida se suavizan (por ejemplo, usando parámetros de regularización $\kappa, \delta, \rho$ ) para asegurar su diferenciabilidad.

Análisis Teórico

Existencia: Los autores demuestran la existencia de un control óptimo utilizando el método directo en el cálculo de variaciones, apoyándose en la compacidad del espacio de estados y la semicontinuidad inferior débil del término de esfuerzo.
Condiciones de Optimalidad: Utilizando el Principio de Mínimo de Pontryagin, los autores derivan las condiciones necesarias de primer orden. Esto produce un sistema de ecuaciones de estado, ecuaciones adjuntas (costate) y una condición de transversalidad.
Ley de Control: Se deriva una ley de control interior explícita, que muestra que la velocidad óptima es una proyección de un término de gradiente sobre la bola de velocidad admisible $B_{V_{max}}$ .

Solucionador Numérico

Para resolver el problema numéricamente, los autores emplean un algoritmo de gradiente proyectado discretizado en el tiempo:

Discretización: El problema continuo se discretiza utilizando una aproximación de control constante por tramos y la regla del rectángulo para la integración.
Método Adjunto: Se calcula un adjunto discreto exacto hacia atrás en el tiempo para determinar el gradiente reducido de la función objetivo con respecto a los controles.
Optimización: El algoritmo utiliza una búsqueda de línea de backtracking de Armijo combinada con la proyección sobre el conjunto factible (restricciones de velocidad y límites del campo).
Verificación: El solucionador se verifica rigurosamente mediante comprobaciones de gradiente por diferencias finitas, auditorías de restricciones, análisis de sensibilidad de la rejilla espacial y experimentos de múltiples inicios.

3. Contribuciones Clave

El artículo realiza seis contribuciones metodológicas específicas:

Formulación Unificada: Un marco de agentes múltiples con restricciones que codifica simultáneamente las pérdidas territoriales, defensivas, de compacidad, de presión y de esfuerzo como componentes diferenciables.
Rigor Teórico: Establecimiento de resultados de existencia, propiedades de suavidad y condiciones necesarias de Pontryagin explícitas para el problema de control táctico.
Adjunto Discreto y Solucionador: Derivación de un adjunto de tiempo discreto consistente y un método de gradiente proyectado con backtracking de Armijo, incluyendo una prueba de estacionariedad de primer orden para la iteración discreta.
Fidelidad de Implementación: La provisión de una implementación real del algoritmo de optimización, distinguiendo su salida de simples interpolaciones prescritas.
Verificación del Solucionador: Verificación exhaustiva mediante comprobaciones de gradiente por diferencias finitas, auditoría de restricciones y análisis de sensibilidad para asegurar la consistencia numérica.
Reproducibilidad: El lanzamiento de coordenadas sintéticas, parámetros, código y salidas numéricas totalmente documentados, lo que permite la reproducción independiente sin datos propietarios.

4. Resultados

Rendimiento de Referencia (Benchmark)

Utilizando un benchmark sintético de 11 jugadores en un campo de $105 \times 68$ m sobre un horizonte de 12 segundos:

Mejora del Objetivo: La estrategia optimizada redujo el valor de la función objetivo de 0.20935 (transición lineal factible) a 0.18511, una mejora del 11.58%. Comparado con una base estática compacta (0.29982), la mejora fue del 38.26%.
Compensaciones (Trade-offs): La solución optimizada aceptó un mayor esfuerzo de movimiento (0.0727 frente a 0.0495 para la lineal) para lograr reducciones significativas en la pérdida de presión (0.0269 frente a 0.1140) y la pérdida territorial.
Cumplimiento de Restricciones: Se cumplieron todas las restricciones de velocidad (velocidad máxima exactamente de 7.0 m/s), y ninguna restricción de límite de campo se activó durante la optimización.
Convergencia: El solucionador convergió en 88 iteraciones con un residuo de $1.57 \times 10^{-4}$ .

Verificación y Sensibilidad

Precisión del Gradiente: Las comprobaciones de diferencias finitas mostraron una diferencia relativa máxima de $3.05 \times 10^{-5}$ entre el gradiente adjunto y las aproximaciones numéricas.
Sensibilidad de la Rejilla: Aumentar la rejilla de cuadratura espacial de $40 \times 26$ a $120 \times 78$ cambió la pérdida territorial en solo 0.135%, confirmando que el resultado no es un artefacto de una discretización gruesa.
Robustez de Múltiples Inicios: Diferentes inicializaciones (estática, lineal, aleatoria) convergieron a soluciones con una dispersión relativa de solo 0.043% en el objetivo final.

Experimentos de Prioridad

Los autores probaron la capacidad de respuesta del modelo a los pesos tácticos variando el vector de prioridad:

Prioridad en Presión: Redujo aún más la pérdida de presión (0.0234) con un cambio mínimo en el esfuerzo.
Prioridad en Defensa: Redujo la pérdida defensiva y el esfuerzo de movimiento (la velocidad RMS cayó de 1.888 a 1.630 m/s) pero aumentó la pérdida de presión (0.0548).
Estos resultados demuestran que el solucionador produce compensaciones coherentes e interpretables basadas en los pesos especificados en lugar de comportamientos preprogramados.

5. Significación y Reclamaciones

El artículo se posiciona como un marco metodológico y computacional más que como un sistema de predicción de partidos validado.

Cerrando la Brecha: Este trabajo cierra la brecha entre la formulación de problemas de control óptimo para el fútbol y la resolución real de los mismos para generar trayectorias. Conecta indicadores tácticos abstractos con un solucionador numérico verificado.
Reproducibilidad: Al proporcionar datos sintéticos y código, los autores establecen una base reproducible para la futura calibración con datos de seguimiento reales.
Limitaciones y Alcance: Los autores declaran explícitamente que el presente estudio utiliza datos sintéticos y no pretende validez predictiva, beneficios de coaching causal o rendimiento en partidos profesionales. El modelo de movimiento es de primer orden (ignorando la aceleración y la biomecánica) y el oponente es prescrito en lugar de adaptativo.
Trabajo Futuro: El artículo sugiere que el siguiente paso lógico es la calibración de los pesos tácticos y los estados iniciales utilizando datos de seguimiento reales, seguido de extensiones a modelos de movimiento de segundo orden y juegos diferenciales para oponentes adaptativos.

En resumen, este artículo proporciona un marco matemáticamente riguroso, computacionalmente verificado y totalmente reproducible para generar trayectorias tácticas óptimas en el fútbol, sirviendo como base para futuros análisis tácticos basados en datos.