PathCRF: Ball-Free Soccer Event Detection via Possession Path Inference from Player Trajectories

Sintesi Tecnica: PathCRF

Problematica
L'analisi del calcio professionistico si basa su due modalità di dati primarie: i dati sugli eventi (annotazioni manuali di azioni con la palla come passaggi e tiri) e i dati di tracking (coordinate ad alta frequenza di giocatori e pallone). Sebbene il tracciamento dei giocatori sia diventato sempre più automatizzato ed economico, il tracciamento del pallone rimane costoso, soggetto a errori di occlusione e difficile da scalare oltre le competizioni di alto livello. Di conseguenza, la raccolta completa dei dati è limitata e l'adozione diffusa dell'analisi basata sui dati è ostacolata. I metodi esistenti di rilevamento automatico degli eventi richiedono tipicamente un tracciamento accurato del pallone, che rappresenta un collo di bottiglia. Inoltre, i tentativi precedenti di inferire gli stati del pallone basandosi solo sulle traiettorie dei giocatori spesso falliscono nel rispettare i vincoli fisici, producendo movimenti del pallone implausibili o cambi di possesso illogici. Il problema centrale affrontato è come rilevare eventi calcistici e inferire percorsi di possesso in modo accurato utilizzando solo i dati di tracking dei giocatori, senza fare affidamento su hardware costosi per il tracciamento del pallone o su una laboriosa annotazione manuale.

Metodologia
Gli autori propongono PathCRF, un framework che inquadra il rilevamento degli eventi calcistici come un problema di selezione sequenziale di archi su un grafo dinamico completamente connesso.

1. Formulazione del Problema:

   • Le traiettorie dei giocatori sono modellate come un grafo diretto completamente connesso dove i nodi rappresentano i giocatori e quattro nodi "esterni" (che rappresentano l'uscita del pallone dal campo).
   • Lo stato di possesso del pallone in ogni istante temporale è definito esattamente da un arco: un auto-anello $(u, u)$ indica che il giocatore $u$ sta dribblando, mentre un arco diretto $(u, v)$ con $u \neq v$ rappresenta un passaggio o un tiro da $u$ a $v$.
   • L'obiettivo è inferire la sequenza di archi (il percorso di possesso) che meglio spiega le traiettorie osservate dei giocatori.

2. Backbone Neurale:

   • Il framework impiega un encoder socio-temporale ispirato a ROLAND e TranSPORTmer.
   • Modulo Sociale: Utilizza una combinazione di reti Parzialmente Permutazione-Equivarianti (PPE) e Completamente Permutazione-Equivarianti (FPE) basate su blocchi di attenzione per set indotti (ISAB). La PPE cattura la dinamica intra-squadra, mentre la FPE cattura i contesti inter-squadra globali.
   • Modulo Temporale: Aggrega le rappresentazioni dei nodi nel tempo utilizzando un'architettura basata sull'attenzione (Codifica Posizionale + Stacked Set Attention Blocks) per catturare le dipendenze sequenziali.
   • Embedding degli Archi: Gli embedding dei nodi raffinati vengono concatenati e proiettati tramite un MLP per formare gli embedding degli archi, che fungono da caratteristiche per il CRF.

3. Campo Casuale Condizionale (CRF) Dinamico e Mascherato:

   • Per garantire la coerenza logica, un CRF viene applicato sulla sequenza degli archi.
   • Scoring Dinamico: A differenza dei CRF standard con matrici di transizione statiche, PathCRF calcola dinamicamente i punteggi di emissione e di transizione dagli embedding degli archi. Ciò consente al modello di adattare le probabilità di transizione all'evoluzione del contesto spazio-temporale (ad esempio, la probabilità che un passaggio venga completato cambia man mano che la palla si avvicina al ricevitore).
   • Vincoli Rigidi (Mascheramento): Il CRF maschera esplicitamente le transizioni impossibili (ad esempio, un giocatore non può ricevere un passaggio da se stesso, o un pallone non può "teletrasportarsi" tra giocatori non adiacenti senza un arco di passaggio). Le transizioni illegali ricevono un punteggio negativo elevato, eliminandole efficacemento dallo spazio di ricerca.
   • Inferenza: La sequenza di archi più probabile viene ottenuta tramite la decodifica Viterbi. Gli eventi (controlli, calci, fuori gioco) vengono rilevati nei passi temporali in cui l'arco selezionato cambia.

4. Addestramento:

   • Il modello è addestrato end-to-end minimizzando la log-verosimiglianza negativa della sequenza di archi della verità fondamentale (ground-truth).
   • Vengono aggiunte perdite ausiliarie (classificazione intermedia e classificazione dell'emissione) per stabilizzare l'addestramento e incoraggiare l'apprendimento precoce della semantica del possesso.

Contributi Chiave

• Formulazione: Il documento formula il rilevamento degli eventi calcistici come un problema di selezione sequenziale di archi su un grafo dinamico, inferendo i percorsi di possesso direttamente dalle traiettorie dei giocatori senza stimare le posizioni del pallone.
• Neural CRF nello Sport: Introduce l'inferenza di sequenza basata su Neural CRF, utilizzando lo scoring delle transizioni dinamiche e il mascheramento rigido per imporre vincoli fisici specifici del dominio nell'analisi sportiva.
• Performance senza Tracciamento del Pallone: Dimostra che le analisi chiave basate sugli eventi (tendenze spaziali, statistiche di possesso, reti di passaggi) possono essere approssimate in modo affidabile utilizzando solo i dati di tracking dei giocatori, eliminando la necessità di hardware per il tracciamento del pallone o di annotazione manuale.
• Riproducibilità: Il codice sorgente e gli esperimenti si basano su dati di tracking pubblicamente disponibili (Sportec Open DFL Dataset), facilitando la facile riproduzione.

Risultati Sperimentali
Gli esperimenti sono stati condotti sul dataset Sportec Open DFL (Bundesliga tedesca).

• Accuratezza degli Archi: PathCRF ha raggiunto un'accuratezza degli archi del 69,64% nella selezione del corretto arco di possesso tra 676 candidati.
• Rilevamento Eventi: Il framework ha raggiunto un F1-score del 75,69% per il rilevamento degli eventi.
• Coerenza Logica: La variante Dynamic Masked CRF ha raggiunto un tasso di violazione dello 0,00%, eliminando con successo le transizioni fisicamente impossibili che affliggevano i baseline non-CRF (che avevano un tasso di violazione del 2,80%).
• Confronto: PathCRF ha superato significativamente i baseline che si basavano sulla regressione della traiettoria del pallone o sulla selezione di archi non vincolata. Ha inoltre superato le varianti di CRF statico, evidenziando il beneficio dello scoring delle transizioni dinamiche.
• Utilità a Valle (Downstream): Gli eventi rilevati approssimano strettamente le mappe di calore spaziali della verità fondamentale, le statistiche di possesso della squadra (predicendo il 62,64% rispetto al 62,13% della verità fondamentale) e le strutture delle reti di passaggi (bassa divergenza di Jensen-Shannon e distanza spettrale).

Significatività e Rivendicazioni
Il documento afferma che PathCRF offre una soluzione scalabile per l'analisi del calcio rimuovendo la dipendenza da infrastrutture di tracciamento del pallone costose e dall'annotazione manuale laboriosa. Producendo percorsi di possesso logicamente coerenti, il framework consente analisi a valle affidabili come mappe di calore tattiche, metriche di possesso e costruzione di reti di passaggi.

Gli autori posizionano il lavoro come un passo verso la democratizzazione della raccolta automatizzata dei dati per le competizioni di livello inferiore e giovanili dove il tracciamento del pallone non è disponibile. Notano inoltre che, sebbene il framework sia progettato per il calcio, la sua formulazione è agnostica rispetto al dominio e potrebbe potenzialmente estendersi ad altri sistemi multi-agente (ad esempio, guida autonoma, coordinamento multi-robot) modificando i vincoli di transizione. Il documento suggerisce modestamente che il lavoro futuro potrebbe integrare caratteristiche visive da video broadcast o guida umana per perfezionare ulteriormente l'accuratezza e categorizzare gli eventi in tipi più granulari.