Wide Open Gazes: Quantifying Visual Exploratory Behavior in Soccer with Pose Enhanced Positional Data

Cette étude présente une nouvelle méthode probabiliste continue, basée sur des données de suivi enrichies par la pose, pour quantifier le comportement exploratoire visuel des joueurs de football, démontrant que ces métriques prédisent le succès des actions de jeu et s'intègrent parfaitement aux modèles analytiques existants sans nécessiter d'annotation manuelle.

L'essentiel

🧠 Le Grand Défi : "Où est-ce que le joueur regarde ?"

Imaginez que vous regardez un match de football à la télé. Vous voyez les joueurs courir, passer le ballon, dribbler. Mais vous ne voyez pas ce qu'ils voient.

Pendant des années, les analystes sportifs ont essayé de mesurer l'intelligence d'un joueur en comptant à quelle vitesse il tourne la tête. C'est un peu comme si on jugeait un chef cuisinier uniquement sur la vitesse à laquelle il tourne la tête pour regarder les ingrédients, sans se soucier de s'il a vraiment vu l'ingrédient dont il a besoin.

Le problème avec l'ancienne méthode :

1. C'est binaire : Soit le joueur tourne la tête vite (oui/non), soit il ne le fait pas. C'est comme un interrupteur, pas un variateur de lumière.
2. C'est biaisé : Ça marche bien pour les milieux de terrain (qui regardent partout), mais pas pour les défenseurs ou les attaquants.
3. Ça ne prédit rien : Savoir qu'un joueur a tourné la tête ne dit pas s'il va réussir son prochain dribble ou faire une passe décisive.

🕶️ La Nouvelle Solution : Une "Carte des Rayons X"

Cette équipe de chercheurs (de la fédération américaine de football et d'UnravelSports) a une idée géniale : créer une carte visuelle pour chaque joueur, en temps réel.

Ils utilisent une technologie de pointe (l'estimation de la pose) qui permet de voir non seulement où sont les pieds des joueurs, mais aussi où pointent leurs têtes et leurs épaules.

Imaginez que chaque joueur porte des lunettes de réalité augmentée invisibles. Cette recherche dessine ce que ces lunettes voient :

• Le champ de vision : Comme un projecteur de phare. Plus le joueur va vite, plus le faisceau est étroit (car on a moins de temps pour regarder loin quand on court à 30 km/h).
• Les obstacles : Si un autre joueur passe devant, il fait de l'ombre. La carte calcule exactement quelle partie du terrain est cachée par les autres corps.

Le résultat ? Une carte de chaleur qui montre, pour chaque milliseconde, quelles zones du terrain le joueur a réellement pu "scanner" avec ses yeux.

🎯 L'Expérience : Le "Temps d'Attente"

Pour tester leur théorie, ils ont regardé un moment précis du jeu : le moment où un joueur attend le ballon (juste avant de le recevoir).

Ils se sont demandé : "Si un joueur regarde intelligemment pendant qu'il attend la passe, sera-t-il plus efficace une fois qu'il aura le ballon ?"

Ils ont comparé deux choses :

1. L'ancienne méthode : Combien de fois le joueur a-t-il secoué la tête ? (Résultat : Zéro impact sur la réussite).
2. La nouvelle méthode : Quelle part du terrain a-t-il réellement vue ? A-t-il vu les espaces libres ? A-t-il vu où étaient les défenseurs ?

🏆 Le Résultat Surprenant

Les résultats sont clairs et fascinants :

• Les joueurs qui "voient" bien gagnent du terrain.
  Les joueurs qui, pendant qu'ils attendaient le ballon, avaient une carte mentale précise des espaces défensifs (où sont les adversaires) et des espaces attaquants (où est le but), réussissaient ensuite à avancer plus loin et à créer plus de danger.
• Ce n'est pas la vitesse de la tête, c'est la qualité du regard.
  Le simple fait de bouger la tête vite ne sert à rien. Par contre, le fait de comprendre ce qui se passe autour de soi (en voyant les zones défensives adverses) est un super-pouvoir. C'est comme si le joueur avait lu le livre avant de jouer le match.

🧩 L'Analogie Finale

Imaginez que vous jouez aux échecs.

• L'ancienne méthode comptait combien de fois le joueur bougeait la tête pour regarder l'échiquier.
• La nouvelle méthode analyse si le joueur a vraiment vu les pièces adverses et les cases stratégiques.

Cette recherche prouve que dans le football moderne, ce n'est pas le joueur qui bouge le plus vite qui gagne, c'est celui qui a la meilleure "carte mentale" du terrain.

💡 Pourquoi c'est important ?

Cette méthode est révolutionnaire car :

1. Elle fonctionne pour tous les joueurs (défenseurs, attaquants, gardiens), pas seulement les milieux.
2. Elle ne nécessite pas d'humains pour regarder des vidéos et compter (c'est automatique).
3. Elle s'intègre parfaitement aux statistiques modernes du football pour prédire qui sera le prochain grand joueur, non pas sur sa vitesse de course, mais sur sa vision du jeu.

En résumé : Ne regardez pas seulement où le joueur court, regardez ce qu'il voit. C'est là que se cache la vraie magie du football.

Résumé technique

1. Problématique et Contexte

La recherche actuelle sur le comportement d'exploration visuelle (VEA) dans le football repose principalement sur le comptage des mouvements rapides de la tête (vitesse angulaire > 125°/s). L'auteur identifie plusieurs limitations fondamentales de cette approche traditionnelle :

• Biais de position : La méthode favorise les joueurs de milieu de terrain central, négligeant les autres postes.
• Contraintes d'annotation : Elle nécessite une annotation manuelle fastidieuse, sujette à une forte variabilité inter-observateur.
• Mesure binaire : Elle réduit le comportement visuel à une case « oui/non » (scanne ou ne scanne pas), ignorant la nature continue de l'attention visuelle.
• Incompatibilité analytique : Ces données binaires sont difficiles à intégrer dans les modèles avancés d'analyse spatiale comme le « Pitch Control » (contrôle du terrain) ou le « Pitch Value » (valeur du terrain).
• Faible pouvoir prédictif : Les études validant les VEA traditionnels montrent des corrélations faibles ou non significatives avec la réussite à court terme (ex: succès de passe), et une étude récente ne trouve aucune différence significative entre les joueurs d'élite et super-élite.

L'objectif de cette recherche est de surmonter ces limites en introduisant une couche de vision stochastique continue, basée sur des données de suivi de mouvement enrichies par l'estimation de la pose (pose-enhanced tracking).

2. Méthodologie

L'approche proposée combine des données de suivi de position (x, y) avec des angles de rotation de la tête et des épaules extraits de données de pose (Respo.Vision, 25 FPS).

A. Modélisation de la Vision (Vision Layer)

Le modèle crée une carte de vision bidimensionnelle (grille 105x68) pour chaque joueur, composée de deux sous-modèles probabilistes :

1. Champ de vision probabiliste ($V_\rho$) :

   • Basé sur l'orientation de la tête comme proxy de l'orientation des yeux.
   • Utilise des distributions gaussiennes pour modéliser la précision de la vision en fonction de la distance radiale et de l'angle par rapport au point focal.
   • Intègre la vitesse du joueur : plus un joueur est rapide, plus son champ de vision se rétrécit et sa précision diminue (perte de conscience spatiale).

2. Modèle d'occlusion ($V_\Phi$) :

   • Calcule les zones masquées par les autres joueurs sur le terrain.
   • Prend en compte la rotation des épaules du joueur obstructeur : un joueur de profil bloque moins de vision qu'un joueur de face.
   • Utilise un rayon probabiliste projeté du joueur observateur vers le joueur obstructeur, ajusté par la distance et la largeur apparente.

La Carte de Vision Totale ($V_i$) est obtenue par la multiplication élément par élément de la carte de champ de vision et de la carte d'occlusion.

B. Intégration avec le Contrôle et la Valeur du Terrain

Les cartes de vision sont combinées avec deux modèles existants (Fernández & Bornn, 2018) :

• Contrôle imminent du terrain (Imminent Pitch Control) : Une version modifiée du modèle de contrôle du terrain, réduisant le rayon d'influence des joueurs pour simuler l'espace qu'ils peuvent atteindre dans un temps très court.
• Valeur du terrain (Pitch Value) : Une carte apprise par un réseau de neurones feed-forward, estimant la valeur stratégique de chaque zone du terrain en fonction de la position du ballon et du positionnement défensif.

L'analyse se concentre sur deux phases : la phase d'attente (un joueur attend une passe) et la phase sur ballon (le mouvement suivant, ex: dribble).

3. Contributions Clés

1. Méthode Formulaire Continue : Remplacement du comptage binaire des VEA par une mesure continue et probabiliste de la perception visuelle.
2. Indépendance de la Position : La méthode fonctionne pour tous les postes de jeu, éliminant le biais des milieux centraux.
3. Automatisation : Élimination de l'annotation manuelle grâce à l'utilisation de données de pose automatisées.
4. Intégration Analytique : Compatibilité native avec les frameworks d'analyse spatiale (Pitch Control, Pitch Value, SoccerMap).
5. Open Source : Les outils et le code sont rendus publics pour favoriser la reproductibilité.

4. Résultats et Validation

L'étude a été validée sur 32 matchs de la Copa América 2024, utilisant environ 2,3 millions de frames de données de suivi et 60 000 événements.

• Modèle de Validation : Des modèles de classification binaire (XGBoost) ont été entraînés pour prédire si un joueur augmenterait ou diminuerait la valeur du terrain contrôlé à la fin de sa phase sur ballon, en fonction de son comportement visuel pendant la phase d'attente.
• Performance des Modèles (AUC) :
  • Modèle de base (distance au but) : 0,664
  • Modèle avec VEA traditionnels : 0,654 (aucune amélioration, confirmant leur faible pouvoir prédictif).
  • Modèle régulier (position, vitesse, etc.) : 0,744
  • Modèle avec Vision (proposé) : 0,788 (amélioration significative).
• Analyse des Caractéristiques (SHAP) :
  • Les joueurs qui observent une plus grande proportion d'espace occupé par la défense pendant qu'ils attendent une passe ont plus de chances de gagner de la valeur de terrain par la suite.
  • Le simple nombre de mouvements de tête (VEA traditionnels) n'a aucun impact sur la prédiction.
  • Observer plus de terrain en général ne suffit pas ; c'est la qualité de l'observation (cibler les zones défensives occupées) qui est prédictive du succès.

5. Signification et Conclusion

Cette recherche démontre que la quantification de la perception visuelle via des données de pose enrichies est un indicateur de performance supérieur aux méthodes traditionnelles. Elle prouve que la capacité d'un joueur à identifier visuellement les espaces contrôlés par l'adversaire avant de recevoir le ballon est directement corrélée à sa capacité à améliorer sa position spatiale ensuite.

Cette approche ouvre la voie à une nouvelle génération d'analyses tactiques dans le football et potentiellement dans d'autres sports d'invasion (basketball, football américain), permettant une évaluation plus fine de la prise de décision cognitive et de la perception spatiale des joueurs sans biais de position ni annotation manuelle.