🤖 AI

Monte Carlo Pass Search: Using Trajectory Generation for 3D Counterfactual Pass Evaluation in Football

Cet article introduit le Monte Carlo Pass Search (MCPS), un nouveau cadre qui exploite un modèle de monde conditionné par un ballon en 3D et un modèle de valeur pour simuler les variantes d'exécution de passes et évaluer leurs résultats contrefactuels, permettant ainsi une attribution et un classement de la distribution des passes de football via des données de suivi de haute fidélité de la Bundesliga.

Auteurs originaux : Andrew Kang, Priya Narasimhan

Publié 2026-06-10

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Andrew Kang, Priya Narasimhan

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 que vous regardez un match de football. Un joueur fait une passe à un coéquipier. Autrefois, les analystes regardaient le résultat : le coéquipier a-t-il réceptionné le ballon ? A-t-il marqué ? Si oui, c'était une « bonne » passe. Si non, c'était une « mauvaise » passe.

Mais cet article soutient que juger une passe uniquement par son résultat, c'est comme juger un chef uniquement sur le fait que le client ait mangé le plat. Cela ignore si le chef a réellement préparé un chef-d'œuvre qui a juste été renversé, ou s'il a servi un plat brûlé que le client a mangé quand même.

Les auteurs, Andrew Kang et Priya Narasimhan de l'Université Carnegie Mellon, ont conçu un nouveau système appelé Monte Carlo Pass Search (MCPS). Considérez cela comme un « Simulateur de Scénarios Hypothetiques » pour les passes de football.

Voici comment cela fonctionne, décomposé en parties simples :

1. Le Problème : L'« Effet Papillon » du Football

Dans le football, deux passes peuvent sembler identiques mais avoir des résultats très différents.

Passe A : Une passe parfaite, légèrement risquée, qui frappe parfaitement le pied d'un coéquipier. Résultat excellent.
Passe B : Exactement la même passe, mais le coéquipier glisse légèrement. Résultat médiocre.

Les statistiques traditionnelles traitent ces cas comme différents. Ce système demande : À quel point cette passe était-elle fragile ? Si le joueur avait frappé le ballon 2 % plus fort ou 1 degré vers la gauche, aurait-il quand même fonctionné ?

2. La Solution : Lancer une « Course de Simulation »

Au lieu de regarder une seule passe, le MCPS lance des milliers de scénarios « et si » pour chaque tir. C'est comme un jeu vidéo qui simule les prochaines secondes du match encore et encore, mais avec de minuscules changements à chaque fois.

Le système possède trois parties principales, comme une équipe d'experts :

Le « Détective de la Frappe » (Modèle de Politique) :
D'abord, il détermine exactement comment le joueur a frappé le ballon. Comme les caméras ne sont pas parfaites, il utilise les mathématiques pour deviner la vitesse, la rotation et l'angle de la frappe.
- Analogie : Imaginez un détective essayant de reconstruire exactement comment une voiture a percuté un mur en regardant simplement les traces de freinage.
La « Boule de Cristal » (Modèle de Monde) :
Une fois qu'il sait comment le ballon a été frappé, il prédit ce qui se passe ensuite. Il simule comment les autres joueurs vont courir, où le ballon va rebondir, et qui le touchera ensuite.
- Analogie : C'est comme un prévisionniste météo, mais au lieu de la pluie, il prédit les mouvements des joueurs. Il utilise un système spécial de « jetons » (comme des mots dans une phrase) pour prédire l'avenir étape par étape, ce qui l'aide à bien fonctionner même avec des données limitées.
Le « Marqueur de Score » (Modèle de Valeur) :
Après avoir simulé le futur, il demande : « Est-ce que ce nouveau scénario a aidé l'équipe à se rapprocher d'un but ? » Il attribue un score au scénario.
- Analogie : C'est comme un entraîneur regardant la simulation et criant : « Bon mouvement ! » ou « C'était une erreur ! ».

3. Les Deux Types de Simulations

Le système lance deux types de « courses » différents pour évaluer un joueur :

Course 1 : Le Test de l'« Exécution » (Recherche Locale)
Le système prend l'idée de la même passe mais modifie légèrement la frappe (un peu plus vite, un peu plus à gauche).
- Objectif : Voir si la passe était fragile. Si une minuscule erreur ruine le jeu, la passe était risquée. Si le jeu fonctionne toujours même avec une mauvaise frappe, la passe était robuste.
- Résultat : Cela nous dit si un joueur est un tireur « chanceux » ou un tireur « constant ».
Course 2 : Le Test de l'« Opportunité » (Recherche Globale)
Le système change entièrement la destination de la passe. Il demande : « Le joueur aurait-il pu envoyer le ballon à un autre coéquipier pour un meilleur résultat ? »
- Objectif : Voir si le joueur a fait le meilleur choix.
- Résultat : Cela nous dit si un joueur est un décideur « intelligent » qui voit les meilleures options.

4. Ce Qu'Ils Ont Découvert

En utilisant des données réelles de la Bundesliga allemande (un championnat de haut niveau), ils ont testé cela sur un match spécifique.

Ils ont découvert que certaines passes semblaient excellentes mais étaient en réalité très « étroites » — c'est-à-dire qu'elles ne fonctionnaient que si tout était parfait.
Ils ont découvert que certains joueurs faisaient systématiquement des passes qui étaient robustes (difficiles à rater) ou choisissaient des options qui étaient bien meilleures que la moyenne des alternatives.
Ils ont prouvert que même avec une petite quantité de données publiques (seulement 7 matchs), leur méthode de simulation basée sur les « jetons » était plus précise pour prédire les mouvements des joueurs que les autres méthodes existantes.

Résumé

Ce document ne dit pas seulement : « La passe X était bonne ». Il dit :

Quelle était la qualité de la décision ? (A-t-il choisi le meilleur coéquipier ?)
Quelle était la qualité de l'exécution ? (A-t-il frappé parfaitement ou a-t-il eu de la chance ?)
Quel était le risque ? (Une petite erreur aurait-elle pu tout gâcher ?)

En simulant des milliers de futurs possibles, ils transforment un instant unique de football en une riche distribution de possibilités, aidant les entraîneurs et les recruteurs à comprendre la véritable qualité de jeu de passe d'un joueur, et pas seulement le résultat final.

Résumé Technique : Recherche de Passes par Monte Carlo (MCPS)

Énoncé du Problème

L'analyse du football (soccer) s'est traditionnellement appuyée sur des ensembles de données propriétaires et des métriques à estimation ponctuelle (ex: expected threat, expected pass) qui évaluent un résultat réalisé unique. Cette approche ne parvient pas à distinguer trois composantes critiques d'une décision de passe :

Qualité de l'Option : Si le passeur a choisi une bonne cible.
Fragilité de l'Exécution : Si l'option choisie avait une « fenêtre de réussite » étroite (c'est-à-dire qu'elle était très sensible à de petites erreurs dans les paramètres du tir).
Qualité de l'Exécution : Si le tir réel était meilleur ou moins bon que l'exécution typique pour cet essai spécifique.

Les modèles existants traitent souvent les passes comme des événements déterministes ou reposent sur des simulations physiques basées sur des règles qui ne peuvent pas capturer les mouvements complexes des joueurs hors-ballon contextuels au jeu. L'absence de données de suivi 3D publiques de haute fidélité a également entravé le développement de cadres d'évaluation reproductibles et conscients des distributions.

Méthodologie : Recherche de Passes par Monte Carlo (MCPS)

Les auteurs ont reformulé l'évaluation des passes comme un problème de recherche arborescente de Monte Carlo (MCTS), en remplaçant les simulateurs conçus à la main par des modèles génératifs appris. Le cadre opère dans l'espace spatiotemporel brut et se compose de trois composantes centrales :

1. Le Modèle de Valeur (Valeur de Possession)

Un modèle basé sur les Transformers attribue une valeur scalaire de Valeur de Possession (PV) à tout état de jeu.

Définition : $PV = P(\text{Ego marque dans les 10s}) - P(\text{Adversaire marque dans les 10s})$ .
Entraînement : Entraîné sur des fenêtres de suivi avec des têtes de cross-entropie binaire, utilisant les tirs dans les 10 secondes comme étiquettes (pondérées par l'espérance de buts pour atténuer la parcimonie).
Rôle : Fournit le signal de récompense pour évaluer le résultat des déploiements (rollouts) simulés.

2. Le Modèle du Monde (Génération de Trajectoire)

Un modèle génératif prédit des futurs à court horizon (trajectoires des joueurs et du ballon) conditionnés par une trajectoire de balle candidate. Pour assurer l'efficacité de l'échantillonnage sur des données publiques limitées, les auteurs adaptent SMART, un modèle autoregressif à jetons discrets issu de la conduite autonome.

Architecture : Un Transformer espace-temps de type décodeur uniquement utilisant des jetons discrets.
- Jetons : Le mouvement des joueurs (vitesses planaires 10D) et le mouvement du ballon (vitesses 3D 15D) sont quantifiés en vocabulaires via un k-means.
- Conditionnement : Le modèle est conditionné par 8 jetons historiques et prédit 24 jetons de déploiement.
Modules d'Interaction :
- Joueur-vers-Toucher : Prédit le prochain joueur touchant le ballon et le temps jusqu'au toucher en utilisant un objectif de type survie.
- Ballon-au-Toucher : Prédit la vitesse du ballon après le toucher via un régresseur gaussien diagonal.
Déploiement (Rollout) : Le modèle génère des futurs multi-agents stochastiques jusqu'à la première interaction significative avec le ballon (toucher, déviation ou sortie de limites).

3. Le Modèle de Politique (Recherche sur les Variantes de Passes)

Pour chaque passe observée, MCPS infère les paramètres du tir (vitesse initiale 3D et rotation) en utilisant un solveur de type CEM couplé à un simulateur physique. Il construit ensuite deux ensembles d'actions contrefactuelles :

Recherche Locale : Échantillonne 256 variantes en appliant de petites perturbations aux paramètres de tir inférés (modélisant le bruit d'exécution).
Recherche Globale : Échantillonne 256 variantes avec des perturbations plus larges pour explorer des options de passes alternatives (cibles/directions différentes) à partir du même état pré-passe.

Cadre d'Évaluation

Chaque passe candidate (observée ou contrefactuelle) est déployée à travers le Modèle du Monde et scorée par le Modèle de Valeur pour obtenir une distribution du gain de Valeur de Possession ( $\Delta PV$ ). Deux métriques conscientes de la distribution sont calculées pour l'attribution :

Surplus de Moyenne ( $S_{mean}$ ) : La différence entre le $\Delta PV$ de la passe observée et le $\Delta PV$ moyen de l'ensemble contrefactuel.
Surplus de Percentile ( $S_{pct}$ ) : Le rang percentile du $\Delta PV$ de la passe observée au sein de la distribution contrefactuelle.

Principales Contributions

Évaluation de Déploiement Conditionnée par la Trajectoire : Un cadre qui génère des futurs diversifiés à court horizon conditionnés par des trajectoires de balle candidates, allant au-delà des estimations ponctuelles vers des distributions complètes.
Double Recherche Monte Carlo : Un mécanisme qui sépare la sensibilité d'exécution (recherche locale) de l'approximation de l'ensemble d'opportunités (recherche globale).
Métriques Conscientes de la Distribution : Introduction des scores $S_{mean}$ et $S_{pct}$ permettant une analyse nuancée de la robustesse de la passe et de la qualité de la décision.
Adaptation de Modèles Autoregressifs : Démonstration que les générateurs de trajectoire autoregressifs à jetons discrets (adaptés de SMART) produisent une précision de prévision best-of-20 robuste sur des données de football publiques limitées, permettant des déploiements hypothétiques complets.

Résultats

Le cadre a été évalué sur un ensemble de données public de la Bundesliga (7 matchs, suivi à 25 Hz, coordonnées 3D du ballon).

Prévision de Trajectoire : Le modèle SMART adapté a atteint un Best-of-20 minADE de 2,4 et un minFDE de 4,7, surpassant les bases de référence incluant un modèle statique, une vitesse constante, un Transformer naïf et le checkpoint public Sports-Traj (minADE 4,2).
Joueur-vers-Toucher : Le modèle hybride (Trajectoire + Prédiction de Toucher) a atteint une précision Top-1 de Récepteur de 0,605. Les auteurs notent qu'il s'agit d'une borne inférieure conservatrice en raison du décalage d'objectif (entraînement sur le danger du premier contact vs inférence sur des futurs hypothétiques) et de l'incertitude du déploiement.
Étude de Cas (Bochum vs Leverkusen) :
- Sensibilité d'Exécution : L'analyse d'une passe spécifique de Florian Wirtz a montré une dispersion non négligeable du $\Delta PV$ même sous de petites perturbations locales, soulignant que certaines passes ne sont précieuses que sous une exécution quasi parfaite.
- Classement des Joueurs : L'agrégation des métriques sur un match permet de classer les joueurs selon :
  - Recherche Locale : La constance par rapport à la difficulté d'exécution (un surplus de percentile élevé indique une exécution robuste).
  - Recherche Globale : La sélection systématique d'options à haute valeur (un surplus de moyenne élevé indique le choix de meilleures cibles que l'alternative moyenne).

Signification et Revendications

L'article affirme établir une nouvelle base de référence pour l'analyse du football en reconnectant le domaine avec la communauté plus large de la Vision par Ordinateur en utilisant des données publiques de haute fidélité.

Des Estimations Ponctuelles aux Distributions : MCPS modélise explicitement le risque et la fragilité des passes, distinguant une « bonne décision avec une mauvaise exécution » d'une « mauvaise décision avec une bonne exécution ».
Désentrelacement des Facteurs : En séparant les recherches locales (exécution) et globales (option), le cadre fournit une vue plus granulaire de la performance des joueurs que les métriques existantes.
Faisabilité sur Données Publiques : Ce travail démontre qu'une évaluation consciente de la distribution et de haute fidélité est possible même avec de petits ensembles de données publiques (7 matchs) en exploitant des techniques de modélisation générative efficaces basées sur des jetons adaptés de la conduite autonome.

Les auteurs reconnaissent des limites, notamment la petite échelle des données d'entraînement, le bruit potentiel dans la synchronisation du suivi et la simplification des distributions de recherche. Ils suggèrent que les travaux futurs devraient se concentrer sur les horizons d'interaction multiples, une meilleure modélisation des interactions rares (ex: duels aériens) et des politiques de proposition plus réalistes pour la recherche globale.