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

Questo studio introduce un nuovo modello stocastico continuo che, integrando dati di tracking potenziati dalla posa per quantificare la visione dei giocatori, supera i limiti dei metodi tradizionali basati sul movimento della testa e dimostra come le metriche visive aggregate siano predittive del successo in gioco, offrendo inoltre strumenti open-source per l'integrazione con le analisi calcistiche esistenti.

L'essenziale

🧠 Il "Superpotere" Invisibile: Come i giocatori vedono il campo

Immagina di guardare una partita di calcio. Vedi la palla, i giocatori che corrono e i gol. Ma c'è una cosa che non vedi: cosa stanno guardando i giocatori mentre corrono.

Per anni, gli analisti hanno cercato di capire questo "superpotere" (la capacità di scansione visiva) contando quante volte un giocatore girava la testa velocemente. Era come dire: "Se giri la testa velocemente, sei bravo; se no, sei lento". Ma questo metodo aveva dei grossi difetti:

1. Era impreciso (come contare i battiti di ciglia al buio).
2. Funzionava solo per certi ruoli (i centrocampisti giravano la testa, i difensori meno).
3. Non spiegava cosa stavano guardando, solo che stavano girando la testa.

Questo nuovo studio, fatto dalla Federazione Calcistica degli USA e da UnravelSports, dice: "Basta contare i giri di testa. Costruiamo una mappa mentale digitale di ciò che il giocatore vede davvero."

---

🕶️ La Lente Magica: Come funziona la nuova tecnologia

Gli scienziati hanno preso i dati di movimento dei giocatori (dove sono, quanto sono veloci) e li hanno "potenziati" con la tecnologia del rilevamento della posa (come nei videogiochi moderni o nelle app di fitness). Ora, il computer sa non solo dove sono i piedi, ma anche dove sono puntati la testa e le spalle.

Hanno creato due "lenti" virtuali per ogni giocatore:

1. La Lente della Visione (Field of View): Immagina che ogni giocatore abbia una torcia che illumina il campo. Più il giocatore è veloce, più la torcia si restringe (perché quando corri forte, guardi dritto davanti a te per non inciampare). Se sei fermo, la torcia è ampia e illumina tutto.
2. La Lente degli Ostracismi (Occlusion): A volte, un compagno o un avversario ti copre la visuale. Il computer calcola: "Ehi, quel difensore alto sta coprendo la visuale del mio attaccante su quel pezzo di campo".

Unendo queste due lenti, otteniamo una Mappa Visiva in tempo reale: un'immagine digitale che mostra esattamente quali zone del campo quel giocatore sta "vedendo" e quali sono nascoste.

---

🔍 L'Esperimento: Il momento della "Cena"

Per testare se questa mappa funziona, gli scienziati hanno guardato un momento specifico della partita: il "momento dell'attesa".
È quel secondo in cui un giocatore aspetta che la palla gli arrivi dopo un passaggio del compagno.

• La domanda: Se un giocatore, mentre aspetta la palla, guarda le zone giuste (quelle dove c'è spazio libero o dove i difensori sono deboli), cosa succede dopo?
• La risposta: Se ha guardato bene, quando riceve la palla e inizia a dribblare, finisce in una posizione molto più pericolosa e preziosa per la sua squadra.

È come se un cuoco, prima di iniziare a cucinare, guardasse attentamente tutti gli ingredienti nel frigo. Se sa esattamente dove sono, prepara il piatto molto più velocemente e meglio di chi guarda a caso.

---

📉 Cosa hanno scoperto? (Il colpo di scena)

Hanno usato l'intelligenza artificiale per analizzare 32 partite della Copa América 2024. Ecco i risultati sorprendenti:

1. Il vecchio metodo (contare i giri di testa) è inutile. Contare quante volte un giocatore gira la testa velocemente non predice affatto se farà un bel gioco dopo. È come dire che un pilota di F1 è bravo solo perché muove le mani sul volante velocemente, senza guardare la pista.
2. La "Qualità" della visione è tutto. I giocatori che, mentre aspettavano la palla, avevano "visto" (nella loro mappa digitale) più spazio difensivo e più aree libere, erano quelli che poi guadagnavano più terreno e creavano gol.
3. Funziona per tutti. Non importa se sei un difensore o un attaccante. La tecnologia funziona per chiunque, eliminando i pregiudizi sui ruoli.

🏆 La Conclusione in parole povere

Questo studio ci dice che nel calcio moderno, non conta quanto velocemente giri la testa, ma cosa vedi mentre la giri.

Hanno creato un nuovo modo per misurare l'intelligenza tattica dei giocatori, trasformando i dati in una "mappa della vista" che si integra perfettamente con le statistiche esistenti. È come passare dal guardare una partita in bianco e nero a vederla in 4K con gli occhiali a raggi X: finalmente possiamo vedere il pensiero del giocatore prima ancora che muova il piede.

E la cosa più bella? Hanno reso tutti gli strumenti gratuiti per tutti, così che ogni squadra, dal piccolo club locale alla nazionale, possa usare questa "visione potenziata" per migliorare.

Sommario tecnico

1. Il Problema

L'analisi del comportamento visivo esplorativo (Visual Exploratory Behavior - VEB) nel calcio ha storicamente fatto affidamento su metodi tradizionali basati sul conteggio delle Azioni Esplorative Visive (VEA). Questi metodi identificano le scansioni visive contando i movimenti rapidi della testa che superano una soglia di velocità angolare di 125°/s.

Tuttavia, l'approccio tradizionale presenta limitazioni fondamentali:

• Bias posizionale: Favorisce i centrocampisti centrali, ignorando altri ruoli.
• Sfide di annotazione: Richiede un'annotazione manuale soggetta a variabilità inter-osservatore.
• Natura binaria: Riduce il comportamento visivo a una dicotomia (scansiona/non scansiona), perdendo la natura continua dell'attenzione visiva.
• Scarsa capacità predittiva: Studi recenti mostrano che la frequenza delle VEA non è un indicatore affidabile del successo a breve termine (es. non distingue tra giocatori di livello "super-élite" ed "élite") e non si correla significativamente con risultati di gioco successivi.
• Incompatibilità: I dati VEA non si integrano facilmente con modelli analitici avanzati come il Pitch Control (controllo del campo) o il Pitch Value (valore del campo).

2. Metodologia

La ricerca introduce un livello visivo stocastico continuo che quantifica la percezione visiva dei giocatori utilizzando dati di tracciamento posizionale potenziati dalla stima della posa (pose estimation). Il metodo si basa su dati di tracciamento broadcast (25 fps) arricchiti con angoli di rotazione di testa, spalle e anche, estratti da modelli di visione artificiale (es. OpenPose, HRNet).

Il processo metodologico si articola in tre fasi principali:

A. Mappatura della Visione (Vision Map)

Per ogni giocatore $i$, viene costruita una mappa probabilistica bidimensionale (griglia 105x68) che rappresenta la probabilità di osservare diverse aree del campo. Questa mappa è la combinazione di due modelli:

1. Campo Visivo Probabilistico ($V_\rho$): Modella la capacità del giocatore di vedere altri giocatori. Non è binario, ma una distribuzione gaussiana che decade radialmente (distanza) e angularmente (periferia). È influenzata dalla velocità del giocatore: a velocità elevate, il campo visivo si restringe e la precisione diminuisce.
2. Mappa di Ostruzione Probabilistica ($V_\Phi$): Calcola quanto la visione di un giocatore è bloccata dagli altri giocatori sul campo. Utilizza la rotazione delle spalle del giocatore ostruente per determinare l'area di ombra proiettata. Viene generato un "raggio probabilistico" che tiene conto della distanza e dell'orientamento relativo.
3. Mappa Visiva Totale ($V_i$): È il prodotto elementare tra il campo visivo e la mappa di ostruzione, risultando in una mappa continua che indica la probabilità che il giocatore stia osservando ogni punto del campo.

B. Integrazione con Pitch Control e Pitch Value

La mappa visiva viene combinata con due framework esistenti (Fernández & Bornn, 2018):

• Imminent Pitch Control: Una versione modificata del controllo del campo che riduce il raggio di influenza del giocatore per simulare lo spazio raggiungibile in un brevissimo lasso di tempo.
• Pitch Value: Una rete neurale che assegna un valore strategico a ogni zona del campo basandosi sulla posizione della palla e sulla difesa avversaria.

Il prodotto tra la Mappa Visiva e le superfici di Controllo/Valore del Campo permette di calcolare metriche aggregate, come la percentuale di area difensiva controllata osservata dal giocatore mentre aspetta una palla.

C. Validazione

Lo studio utilizza 32 partite della Copa América 2024 (circa 2,3 milioni di frame e 60.000 eventi).

• Fasi analizzate: La fase di "attesa" (dopo un passaggio di un compagno) e la fase successiva "con la palla" (dribbling).
• Obiettivo: Prevedere se il valore del campo controllato dal giocatore aumenterà o diminuirà alla fine dell'azione con la palla.
• Modelli: Sono stati addestrati modelli di classificazione binaria XGBoost per confrontare l'efficacia predittiva delle metriche tradizionali (VEA) rispetto alle nuove metriche visive aggregate.

3. Contributi Chiave

1. Nuova Metrica Continua: Sostituzione del conteggio binario delle VEA con una mappa visiva stocastica continua, indipendente dalla posizione del giocatore.
2. Integrazione con l'Analisi Spaziale: Creazione di un ponte diretto tra la percezione visiva e i modelli di valore strategico del campo (Pitch Value), permettendo di quantificare cosa il giocatore sta guardando in termini di utilità tattica.
3. Open Source: Rilascio del codice e degli strumenti necessari per calcolare queste metriche, favorendo la riproducibilità.
4. Dimostrazione di Superiorità Predittiva: Evidenza empirica che le metriche visive tradizionali (VEA) non hanno potere predittivo, mentre le nuove metriche di "qualità dell'osservazione" sì.

4. Risultati

L'analisi dei risultati attraverso modelli XGBoost e valori SHAP ha evidenziato:

• Fallimento delle VEA tradizionali: L'aggiunta del conteggio delle VEA (movimenti >125°/s) ai modelli di base non ha migliorato le prestazioni (AUC rimasto stabile o leggermente diminuito), confermando che la semplice frequenza dei movimenti della testa non predice il successo futuro.
• Successo delle Metriche Visive Aggregate: L'introduzione delle feature derivate dalla mappa visiva ha aumentato significativamente le prestazioni del modello, portando l'AUC da 0,744 a 0,788.
• Feature Predittive: Le variabili più importanti per prevedere un guadagno di valore del campo sono:
  • Osservare una maggiore quantità di spazio occupato dalla difesa durante la fase di attesa.
  • Osservare una maggiore proporzione di spazio difensivo rispetto a quello offensivo.
  • Osservare aree controllate dalla difesa avversaria.
• Interpretazione: I giocatori che, mentre aspettano la palla, riescono a "vedere" e processare le aree controllate dalla difesa avversaria, sono più propensi a eseguire azioni con la palla che portano a guadagnare spazio di valore superiore. Al contrario, osservare semplicemente più campo (quantità) senza focalizzarsi sulle aree difensive non è predittivo.

5. Significato e Implicazioni

Questo studio rappresenta un salto qualitativo nell'analisi del calcio:

• Superamento dei limiti attuali: Risolve i problemi di annotazione manuale e di bias posizionale, offrendo una metrica applicabile a tutti i giocatori in ogni momento della partita.
• Nuova comprensione del processo decisionale: Dimostra che non è la velocità del movimento della testa a contare, ma la qualità e la direzione dell'attenzione visiva (cosa viene osservato).
• Integrazione nel flusso di lavoro analitico: Essendo basato su dati di tracciamento e matematica probabilistica, questo approccio si integra perfettamente nei framework analitici moderni (come SoccerMap) senza richiedere dati aggiuntivi costosi o invasivi.
• Applicabilità futura: La metodologia è scalabile e potenzialmente applicabile ad altri sport di invasione (es. football americano, basket) man mano che i dati di stima della posa diventano più comuni.

In sintesi, il paper propone un cambio di paradigma: dal contare se un giocatore guarda, al misurare cosa sta guardando e quanto è probabile che quella visione porti a un successo tattico immediato.