🤖 AI

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

Questo articolo introduce il Monte Carlo Pass Search (MCPS), un nuovo framework che sfrutta un modello di mondo condizionato dalla palla in 3D e un modello di valore per simulare le varianti di esecuzione dei passaggi e valutarne gli esiti controfattuali, consentendo così l'attribuzione e la classificazione consapevole della distribuzione dei passaggi di calcio utilizzando dati di tracciamento ad alta fedeltà della Bundesliga.

Autori originali: Andrew Kang, Priya Narasimhan

Pubblicato 2026-06-10

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Andrew Kang, Priya Narasimhan

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di guardare una partita di calcio. Un giocatore calcia la palla a un compagno di squadra. In passato, gli analisti guardavano il risultato: il compagno l'ha presa? Ha segnato? Se sì, era un passaggio "buono". Se no, era un passaggio "cattivo".

Ma questo articolo sostiene che giudicare un passaggio solo in base al risultato è come giudicare uno chef solo in base al fatto che il cliente abbia mangiato il pasto. Ignora se lo chef ha effettivamente cucinato un capolavoro che è stato solo fatto cadere, o se ha servito un pasto bruciato che il cliente ha mangiato comunque.

Gli autori, Andrew Kang e Priya Narasimhan della Carnegie Mellon University, hanno costruito un nuovo sistema chiamato Monte Carlo Pass Search (MCPS). Pensatelo come un "Simulatore di 'Cosa succederebbe se'" per i passaggi calcistici.

Ecco come funziona, suddiviso in parti semplici:

1. Il Problema: L'Effetto Farfalla del Calcio

Nel calcio, due passaggi possono sembrare identici ma avere risultati molto diversi.

Passaggio A: Un passaggio perfetto, leggermente rischioso, che colpisce il piede di un compagno perfettamente. Risultato ottimo.
Passaggio B: Lo stesso identico passaggio, ma il compagno scivola leggermente. Risultato pessimo.

Le statistiche tradizionali trattano questi casi come diversi. Questo sistema chiede: Quanto era fragile quel passaggio? Se il giocatore avesse calciato la palla il 2% più forte o 1 grado a sinistra, avrebbe funzionato ancora?

2. La Soluzione: Eseguire una "Corsa di Simulazione"

Invece di guardare solo un singolo passaggio, MCPS esegue migliaia di scenari "cosa succederebbe se" per ogni singola calciata. È come un videogioco che simula i secondi successivi della partita ripetutamente, ma con piccole variazioni ogni volta.

Il sistema ha tre parti principali, come una squadra di esperti:

Il "Detective del Calcio" (Modello di Policy):
Per prima cosa, capisce esattamente come il giocatore ha calciato la palla. Poiché le telecamere non sono perfette, usa la matematica per indovinare velocità, rotazione e angolo del calcio.
- Analogia: Immagina un detective che cerca di ricostruire esattamente come un'auto ha colpito un muro guardando solo i segni di frenata.
La "Palla di Cristallo" (Modello del Mondo):
Una volta capito come è stata calciata la palla, prevede cosa accadrà dopo. Simula come si muoveranno gli altri giocatori, dove rimbalzerà la palla e chi la toccherà dopo.
- Analogia: Questo è come un previsore del tempo, ma invece della pioggia, predice i movimenti dei giocatori. Utilizza un sistema speciale di "token" (come le parole in una frase) per prevedere il futuro passo dopo passo, il che lo aiuta a funzionare bene anche con dati limitati.
Il "Segnapunti" (Modello di Valore):
Dopo aver simulato il futuro, si chiede: "Questo nuovo scenario ha aiutato la squadra ad avvicinarsi alla rete?" Assegna un punteggio allo scenario.
- Analogia: È come un allenatore che guarda la simulazione e grida: "Bella mossa!" o "Quello è stato un errore!"

3. I Due Tipi di Simulazioni

Il sistema esegue due tipi diversi di "corse" per valutare un giocatore:

Corsa 1: Il Test di "Esecuzione" (Ricerca Locale)
Il sistema prende la stessa identica idea di passaggio ma cambia leggermente il calcio (un po' più veloce, un po' più a sinistra).
- Obiettivo: Vedere se il passaggio era fragile. Se un piccolo errore rovina l'azione, il passaggio era rischioso. Se l'azione funziona ancora anche con un calcio mediocre, il passaggio era robusto.
- Risultato: Questo ci dice se un giocatore è un calciatore "fortunato" o un calciatore "costante".
Corsa 2: Il Test di "Opportunità" (Ricerca Globale)
Il sistema cambia interamente la destinazione del passaggio. Chiede: "Il giocatore avrebbe potuto calciare la palla a un compagno diverso per un risultato migliore?"
- Obiettivo: Vedere se il giocatore ha fatto la scelta migliore.
- Risultato: Questo ci dice se un giocatore è un decisore "intelligente" che vede le migliori opzioni disponibili.

4. Cosa Hanno Scoperto

Utilizzando dati reali della Bundesliga tedesca (un campionato di alto livello), hanno testato questo sistema su una partita specifica.

Hanno scoperto che alcuni passaggi sembravano ottimi ma erano in realtà molto "stretti" — ovvero, funzionavano solo se tutto andava perfettamente.
Hanno scoperto che alcuni giocatori effettuano costantemente passaggi che sono robusti (difficili da sbagliare) o scelgono opzioni che sono molto migliori rispetto all'alternativa media.
Hanno dimostrato che anche con una piccola quantità di dati pubblici (solo 7 partite), il loro metodo di simulazione basato sui "token" è più accurato nel prevedere i movimenti dei giocatori rispetto ad altri metodi esistenti.

Riassunto

Questo articolo non dice solo "Il passaggio X è stato buono". Dice:

Com'era la decisione? (Ha scelto il compagno migliore?)
Com'era l'esecuzione? (Ha calciato perfettamente o è stato solo fortunato?)
Quanto era rischioso? (Un piccolo errore avrebbe rovinato l'azione?)

Simulando migliaia di futuri "cosa succederebbe se", trasformano un singolo momento di calcio in una ricca distribuzione di possibilità, aiutando allenatori e osservatori a comprendere la vera qualità del passaggio di un giocatore, non solo il risultato.

Sintesi Tecnica: Ricerca Monte Carlo dei Passaggi (MCPS)

Definizione del Problema

L'analisi del calcio si è tradizionalmente basata su dataset proprietari e metriche a stima puntuale (ad esempio, expected threat, expected pass) che valutano un singolo esito realizzato. Questo approccio non riesce a scomporre tre componenti critiche di una decisione di passaggio:

Qualità dell'Opzione: Se il passatore ha scelto un bersaglio valido.
Fragilità dell'Esecuzione: Se l'opzione scelta aveva una "finestra di successo" ristretta (ovvero, era altamente sensibile a piccoli errori nei parametri del calcio).
Qualità dell'Esecuzione: Se il calcio effettivo è stato migliore o peggiore rispetto all'esecuzione tipica per quel particolare tentativo.

I modelli esistenti spesso trattano i passaggi come eventi deterministici o si affidano a simulazioni fisiche basate su regole che non possono catturare i complessi movimenti fuori dal possesso influenzati dal contesto di gioco. La mancanza di dati di tracciamento 3D pubblici ad alta fedeltà ha ulteriormente ostacolato lo sviluppo di framework di valutazione riproducibili e consapevoli delle distribuzioni.

Metodologia: Ricerca Monte Carlo dei Passaggi (MCPS)

Gli autori hanno riformulato la valutazione del passaggio come un problema simile alla ricerca in un albero Monte Carlo (MCTS), sostituendo i simulatori progettati a mano con modelli generativi appresi. Il framework opera nello spazio spazio-temporale grezzo e consiste in tre componenti principali:

1. Il Modello di Valore (Valore del Possesso)

Un modello basato su Transformer assegna un valore scalare, il Valore del Possesso (PV), a qualsiasi stato di gioco.

Definizione: $PV = P(\text{L'ego segna entro 10s}) - P(\text{L'avversario segna entro 10s})$ .
Addestramento: Addestrato su finestre di tracciamento con teste di cross-entropy binaria, utilizzando gli tiri entro 10 secondi come etichette (pesati tramite xG per mitigare la scarsità).
Ruolo: Fornisce il segnale di ricompensa per valutare l'esito delle simulazioni (rollout).

2. Il Modello del Mondo (Generazione delle Traiettorie)

Un modello generativo predice futuri a breve termine (traiettorie di giocatori e pallone) condizionati a un candidato volo della palla. Per garantire l'efficienza del campionamento su dati pubblici limitati, gli autori adattano SMART, un modello autoregressivo a token discreti proveniente dalla guida autonoma.

Architettura: Un decoder-only Transformer spazio-temporale che utilizza token discreti.
- Token: Il movimento dei giocatori (velocità planari 10D) e il movimento della palla (velocità 3D 15D) sono quantizzati in vocabolari tramite k-means.
- Condizionamento: Il modello si condiziona su 8 token storici e predice 24 token di rollout.
Moduli di Interazione:
- Giocatore-al-Tocco: Predice il prossimo giocatore che tocca la palla e il tempo al tocco utilizzando un obiettivo di tipo sopravvivenza (survival-style).
- Palla-al-Tocco: Predice la velocità della palla post-tocco usando un regressore Gaussiano diagonale.
Rollout: Il modello genera futuri multi-agente stocastici fino alla prima interazione significativa con la palla (tocco, deviazione o fuori dal campo).

3. Il Modello di Policy (Ricerca tra le Varianti di Passaggio)

Per ogni passaggio osservato, MCPS inferisce i parametri del calcio (velocità 3D iniziale e rotazione) utilizzando un risolutore di tipo CEM accoppiato a un simulatore fisico. Successivamente, costruisce due set di azioni controfattuali:

Ricerca Locale: Campiona 256 varianti applicando piccole perturbazioni ai parametri del calcio inferiti (modellando il rumore di esecuzione).
Ricerca Globale: Campiona 256 varianti con perturbazioni più ampie per esplorare alternative di passaggio (diversi bersagli/direzioni) dallo stesso stato pre-passaggio.

Framework di Valutazione

Ogni passaggio candidato (osservato o controfattuale) viene sottoposto a un rollout attraverso il Modello del Mondo e valutato dal Modello del Valore per ottenere una distribuzione del guadagno di Valore del Possesso ( $\Delta PV$ ). Due metriche consapevoli della distribuzione sono calcolate per l'attribuzione:

Surplus della Media ( $S_{mean}$ ): La differenza tra il $\Delta PV$ del passaggio osservato e il $\Delta PV$ medio del set controfattuale.
Surplus del Percentile ( $S_{pct}$ ): Il rango percentile del $\Delta PV$ del passaggio osservato all'interno della distribuzione controfattuale.

Contributi Chiave

Valutazione di Rollout Condizionata alla Traiettoria: Un framework che genera futuri diversificati a breve termine condizionati a traiettorie della palla candidate, andando oltre le stime puntuali verso intere distribuzioni.
Doppia Ricerca Monte Carlo: Un meccanismo che separa la sensibilità dell'esecuzione (ricerca locale) dalla approssimazione del set di opportunità (ricerca globale).
Metriche Consapevoli della Distribuzione: Introduzione dei punteggi $S_{mean}$ e $S_{pct}$ che permettono un'analisi sfumata della robustezza del passaggio e della qualità della decisione.
Adattamento di Modelli Autoregressivi: Dimostrazione che i generatori di traiettoria autoregressivi a token discreti (adattati da SMART) forniscono un'accurata previsione best-of-20 anche con dati di calcio pubblici limitati, consentendo rollout completamente ipotetici.

Risultati

Il framework è stato valutato su un dataset pubblico della Bundesliga (7 partite, tracciamento a 25 Hz, coordinate 3D della palla).

Previsione della Traiettoria: Il modello SMART adattato ha raggiunto un Best-of-20 minADE di 2.4 e un minFDE di 4.7, superando i baseline inclusi un modello statico, velocità costante, un Transformer ingenuo e lo checkpoint pubblico Sports-Traj (minADE 4.2).
Giocatore-al-Tocco: Il modello ibrido (Traiettoria + Predizione del Tocco) ha raggiunto una Precisione Top-1 del Ricevitore di 0.605. Gli autori notano che questo è un limite inferiore conservativo a causa del disallineamento dell'obiettivo (addestramento sul rischio del primo tocco vs inferenza su futuri ipotetici) e dell'incertezza del rollout.
Caso di Studio (Bochum vs. Leverkusen):
- Sensibilità dell'Esecuzione: L'analisi di un passaggio specifico di Florian Wirtz ha mostrato una dispersione non trascurabile in $\Delta PV$ anche sotto piccole perturbazioni locali, evidenziando che alcuni passaggi sono preziosi solo sotto un'esecuzione quasi perfetta.
- Classifica dei Giocatori: L'aggregazione delle metriche attraverso una partita ha permesso di classificare i giocatori in base a:
  - Ricerca Locale: Coerenza rispetto alla difficoltà di esecuzione (un alto percentile surplus indica un'esecuzione robusta).
  - Ricerca Globale: Selezione sistematica di opzioni ad alto valore (un alto surplus della media indica la scelta di bersagli migliori rispetto alla media delle alternative).

Significato e Rivendicazioni

Il documento sostiene di aver stabilito un nuovo standard per l'analisi del calcio, riconnettendo il settore con la più ampia comunità di Computer Vision attraverso l'utilizzo di dati pubblici ad alta fedeltà.

Dalle Stime Puntuali alle Distribuzioni: MCPS modella esplicitamente il rischio e la fragilità dei passaggi, distinguendo tra una "buona decisione con cattiva esecuzione" e una "cattiva decisione con buona esecuzione".
Disaccoppiamento dei Fattori: Separando le ricerche locali (esecuzione) e globali (opzione), il framework fornisce una visione più granulare della prestazione del giocatore rispetto alle metriche esistenti.
Fattibilità su Dati Pubblici: Il lavoro dimosta che una valutazione ad alta fedeltità e consapevole delle distribuzioni è possibile anche con dataset pubblici ridotti (7 partite), sfruttando tecniche di modellazione generativa a token efficienti adattate dalla guida autonoma.

Gli autori riconoscono i limiti, tra cui la piccola scala dei dati di addestramento, il potenziale rumore nella sincronizzazione del tracciamento e la semplificazione delle distribuzioni di ricerca. Suggeriscono che il lavoro futuro dovrebbe concentrarsi su orizzonti di multi-interazione, una migliore modellazione delle interazioni rare (ad esempio, duelli aerei) e policy di proposta più realistiche per la ricerca globale.