🔬 physics

Evaluating Soccer Player Movements Using the Attacker-Defender Model

Cette étude améliore et valide le modèle de mouvement attaquant-défenseur en utilisant un vaste ensemble de données de 306 matchs de la J1 League pour optimiser les paramètres spécifiques aux joueurs et révéler des styles de jeu distincts pour les attaquants et les défenseurs.

Auteurs originaux : Takuma Narizuka, Issei Yamazaki

Publié 2026-05-26

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Takuma Narizuka, Issei Yamazaki

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un match de football non pas simplement comme un jeu de compétences, mais comme une danse complexe entre deux partenaires : la personne qui a le ballon (l'Attaquant) et la personne qui tente de l'arrêter (le Défenseur).

Ce papier est une tentative scientifique d'écrire les « règles de chorégraphie » de cette danse. Les auteurs, Takuma Narizuka et Issei Yamazaki, ont pris un ensemble de règles existant (appelé le modèle Attaquant-Défenseur ou AD) et l'ont amélioré pour gérer une scène beaucoup plus vaste avec plus de danseurs.

Voici une décomposition de ce qu'ils ont fait, en utilisant des analogies simples :

1. La vieille carte contre le nouveau GPS

Auparavant, les chercheurs tentaient de prédire les déplacements des joueurs en utilisant un modèle comparable à un croquis grossier. Il fonctionnait correctement pour de petits groupes de joueurs, mais il présentait deux problèmes majeurs :

Il ne considérait que quelques types spécifiques de mouvements (comme étudier uniquement la façon dont les gens marchent vers l'avant).
Il était basé sur un tout petit ensemble de données (comme essayer de comprendre tout le comportement humain en observant seulement 1 500 personnes).

Les auteurs voulaient améliorer cela en un GPS haute définition. Ils voulaient savoir si les règles pouvaient expliquer les mouvements de milliers de joueurs lors de matchs réels et à haute enjeu. Ils ont utilisé des données provenant de 306 matchs professionnels dans la première division du Japon (J1 League), couvrant plus de 31 000 moments de dribble. C'est comme observer chaque pas d'un marathonien au lieu de seulement quelques pas dans un parc.

2. La physique de la danse

Le modèle traite les joueurs comme des voitures avec des moteurs et des freins.

Résistance (Les freins) : Les joueurs ralentissent naturellement s'ils ne continuent pas à pousser.
Force vers l'objectif (L'accélérateur) : L'attaquant veut conduire vers le but adverse. Le défenseur veut conduire vers son propre but.
Force de l'adversaire (La direction) : L'attaquant tente de s'écarter du défenseur. Le défenseur tente de se diriger vers l'attaquant.

Les mathématiques calculent l'équilibre parfait entre ces forces pour prédire où un joueur devrait aller.

3. La grande amélioration : Résoudre le puzzle pièce par pièce

Dans l'ancienne méthode, l'ordinateur tentait de résoudre les mouvements de l'attaquant et du défenseur simultanément. Imaginez essayer de résoudre un cube Rubik pendant que quelqu'un secoue la table ; c'est difficile et lent.

Les auteurs ont introduit une nouvelle astuce : Fixer un joueur, résoudre l'autre.

Ils ont pris le réel parcours suivi par le défenseur et ont dit : « D'accord, Défenseur, tu restes exactement ici. Maintenant, Attaquant, quelles règles te feraient marcher exactement là où tu l'as fait ? »
Ensuite, ils ont inversé : « D'accord, Attaquant, tu restes exactement ici. Défenseur, quelles règles te font marcher là où tu l'as fait ? »

Le Résultat : Cela revenait à passer de la résolution d'un nœud emmêlé au démêlage de deux fils séparés. C'était plus rapide, moins coûteux en calculs, et cela fonctionnait mieux. Ils ont réussi à recréer 88,5 % des événements de dribble (contre 85,4 % auparavant), ce qui signifie que leur nouveau « GPS » était beaucoup plus précis.

4. Découvrir les « quatre personnalités » des joueurs

Une fois qu'ils disposaient de données précises, ils ont réalisé que les joueurs ne se déplacent pas tous de la même manière. En examinant les « forces » de leurs mathématiques, ils ont classé chaque joueur en quatre types de personnalités distincts basés sur leur déplacement par rapport au but et à l'adversaire.

Pour les Attaquants (Les porteurs de ballon) :

Type A1 (Le conducteur prudent) : Se déplace vers le but mais maintient une distance sûre par rapport au défenseur. Pensez à un défenseur central qui construit le jeu, passant le ballon calmement.
Type A2 (Le reculeur) : Se déplace loin du but mais vers le défenseur. Comme un joueur sous pression par derrière, essayant de protéger le ballon.
Type A3 (Le casse-cou) : Se déplace vers le but ET directement vers le défenseur. C'est le duel « un contre un », le mouvement à haut risque près du but.
Type A4 (La retraite) : S'éloigne du but et s'éloigne du défenseur. Comme un joueur accélérant vers l'avant pour échapper à la pression ou driblant en arrière pour attirer le défenseur.

Pour les Défenseurs (Les poursuivants) :

Type D1 (Le berger) : Se déplace vers son propre but mais vers l'attaquant. Comme un défenseur reculant tout en essayant de pousser l'attaquant vers la ligne de touche.
Type D2 (La retraite) : S'éloigne du but et s'éloigne de l'attaquant. Une retraite pure pour éviter d'être dépassé.
Type D3 (Le gardien de ligne) : Se déplace vers le but mais s'éloigne de l'attaquant. Gérer un dribble venant du côté.
Type D4 (Le tacle agressif) : S'éloigne du but mais vers l'attaquant. C'est le mouvement à haut risque et haute récompense où un défenseur s'interpose pour voler le ballon par derrière.

5. Qui sont les stars ?

Le papier ne regardait pas seulement les mathématiques ; il regardait les noms. Ils ont constaté que certains joueurs apparaissaient le plus souvent dans des zones spécifiques de « personnalité ».

Par exemple, M. Hosoya (un attaquant) apparaissait constamment dans les graphiques des défenseurs (D1–D4). Cela a du sens car les attaquants sont souvent ceux qui pressent (agissant comme le « défenseur » aux yeux du modèle) lorsque leur équipe n'a pas le ballon.
A. Scholz (un défenseur) était le « conducteur prudent » (A1) le plus fréquent pour les attaquants, montrant comment les défenseurs agissent souvent comme porteurs de ballon lors de la construction du jeu.

La conclusion

Les auteurs ont prouvé avec succès que ce « modèle de danse basé sur la physique » fonctionne à grande échelle. En simplifiant la façon dont ils calculaient les mouvements, ils ont pu analyser des milliers de moments réels de football. Ils ont montré que chaque joueur possède une « signature de mouvement » unique qui peut être classée en quatre styles distincts, nous offrant une nouvelle façon de comprendre les stratégies invisibles qui se déroulent sur le terrain.

Et après ?
Les auteurs admettent que le « GPS » n'est pas encore parfait. Parfois, les mathématiques poussaient les joueurs au tout bord de la carte, suggérant que les règles ont besoin d'un peu plus de réglage fin (comme ajouter des pénalités pour aller trop vite ou trop lentement). Mais pour l'instant, ils nous ont offert une image beaucoup plus claire de la façon dont les attaquants et les défenseurs interagissent réellement.

Résumé technique : Évaluation des mouvements de joueurs de football à l'aide du modèle Attaquant-Défenseur

Énoncé du problème
L'étude aborde le défi de la modélisation des trajectoires à court terme des joueurs dans l'analyse du football. Si les approches d'apprentissage automatique offrent une haute précision prédictive, elles manquent souvent d'interprétabilité physique. À l'inverse, les modèles basés sur la physique privilégient l'interprétabilité mais ont historiquement été limités dans leur portée. Plus précisément, le modèle Attaquant-Défenseur (AD) proposé par Brink et al. (2023), qui décrit les interactions entre un porteur de balle et le défenseur le plus proche, n'avait auparavant été exploré qu'avec des plages de paramètres limitées et des ensembles de données relativement petits (1 573 événements de dribble). Par conséquent, l'applicabilité du modèle aux données à grande échelle et sa capacité à capturer le spectre complet des styles de jeu restaient sous-explorés.

Méthodologie
Les auteurs ont utilisé un ensemble de données comprenant des données de suivi et d'événements issus de 306 matchs de la saison 2023 de la J1 League, fournis par DataStadium Inc. Les données de position brutes ( $x, y$ ) enregistrées à des intervalles de 0,04 seconde ont été traitées à l'aide de filtres de Savitzky–Golay et d'une interpolation par splines cubiques pour réduire le bruit et calculer les vitesses. À partir de cela, 31 028 instances de dribble ont été extraites selon des critères stricts : le défenseur le plus proche restait constant, la possession durait plus de 0,5 seconde, et les joueurs parcouraient plus de 5 mètres.

Le cœur de l'étude implique le modèle AD, qui définit le mouvement d'un attaquant ( $\vec{v}_a$ ) et d'un défenseur ( $\vec{v}_d$ ) à l'aide d'équations différentielles couplées. Ces équations intègrent une force de résistance proportionnelle à la vitesse et une force motrice déterminée par des composantes orientées vers le but et vers l'adversaire. Le modèle est régi par six paramètres : les forces motrices maximales ( $f_a, f_d$ ), les constantes de temps ( $\tau_a, \tau_d$ ) et les facteurs de pondération pour l'interaction avec l'adversaire ( $\beta_a, \beta_d$ ).

Une innovation méthodologique clé est la optimisation indépendante des paramètres proposée. Contrairement à l'approche originale où les six paramètres étaient optimisés simultanément pour minimiser l'erreur totale de trajectoire, cette étude résout les équations du mouvement pour un joueur tout en fixant la trajectoire réelle de l'adversaire. Cela permet l'estimation indépendante des paramètres de l'attaquant ( $f_a, \tau_a, \beta_a$ ) et des paramètres du défenseur ( $f_d, \tau_d, \beta_d$ ). L'optimisation a été réalisée à l'aide de l'algorithme COBYLA avec un échantillonnage hypercube latin pour la génération initiale des paramètres. L'étude a élargi l'analyse aux quatre quadrants de l'espace des paramètres (définis par les signes de $f$ et $\beta$ ), alors que les travaux précédents avaient restreint l'analyse à des régions spécifiques.

Contributions et résultats clés

Efficacité et précision améliorées de l'optimisation : La méthode d'optimisation indépendante proposée a considérablement réduit les coûts de calcul en abaissant la dimensionalité de l'espace des paramètres. Plus important encore, elle a amélioré le taux de réussite de l'estimation des paramètres. En utilisant l'approche améliorée, 88,5 % (27 457) des 31 028 événements de dribble ont satisfait le critère de précision (erreur de trajectoire $\varepsilon < 0,1$ pour les deux joueurs), contre 85,4 % (26 492) avec la méthode couplée originale.
Validation à grande échelle : L'étude a validé avec succès le modèle AD sur un ensemble de données presque 20 fois plus grand que celui utilisé dans les recherches antérieures, démontrant sa robustesse sur un large éventail de scénarios de la J1 League.
Caractérisation des styles de jeu : En analysant les paramètres optimisés sur tout l'espace des quatre quadrants, les auteurs ont identifié des motifs de mouvement distincts et les ont associés à des rôles de joueurs spécifiques :
- Attaquants :
  - Région A1 ( $f_a > 0, \beta_a > 0$ ) : Mouvement vers le but adverse et loin du défenseur. Dominé par les défenseurs centraux impliqués dans le jeu de construction.
  - Région A2 ( $f_a < 0, \beta_a > 0$ ) : Mouvement loin du but mais vers le défenseur, souvent observé lors du maintien de la possession sous pression arrière.
  - Région A3 ( $f_a < 0, \beta_a < 0$ ) : Mouvement vers le but et vers le défenseur, correspondant aux confrontations directes un contre un près des occasions de but.
  - Région A4 ( $f_a > 0, \beta_a < 0$ ) : Mouvement loin du but et loin du défenseur, observé dans l'accélération vers l'avant sous pression ou les dribbles vers l'arrière.
- Défenseurs :
  - Région D1 ( $f_d > 0, \beta_d > 0$ ) : Mouvement vers le but défensif et vers l'attaquant, typique des actions de pressing des attaquants centraux.
  - Région D2 ( $f_d < 0, \beta_d > 0$ ) : Mouvement loin du but et loin de l'attaquant, représentant des replis défensifs.
  - Région D3 ( $f_d < 0, \beta_d < 0$ ) : Mouvement vers le but mais loin de l'attaquant, courant lors de la gestion de dribbles sur le côté.
  - Région D4 ( $f_d > 0, \beta_d < 0$ ) : Mouvement loin du but mais vers l'attaquant, indiquant des challenges à haut risque depuis l'arrière.

Signification et affirmations
L'article affirme qu'en élargissant la plage des paramètres analysés et en utilisant un ensemble de données plus vaste, l'étude fournit de nouvelles perspectives quantitatives sur les styles de jeu distincts des attaquants et des défenseurs. Les auteurs affirment que la méthode d'optimisation indépendante améliore non seulement l'efficacité de l'ajustement du modèle, mais augmente également le volume de trajectoires reproduites avec précision, permettant ainsi une caractérisation plus robuste des joueurs.

L'étude conclut avec modestie, notant que si le modèle reproduit avec succès les trajectoires, de nombreux paramètres optimisés se sont approchés des limites de l'espace des paramètres défini. Cela suggère la nécessité d'un raffinement futur de la fonction d'erreur, potentiellement en incorporant des termes de pénalité basés sur la vitesse et l'accélération des joueurs. Un travail futur est également proposé pour analyser des contextes spécifiques (par exemple, la position sur le terrain) et les rôles des joueurs avec plus de détails.