Right Move, Right Time: Multi-Sport Space Evaluation Platform for Ultimate Frisbee, Basketball, and Soccer

Dit artikel introduceert een open, sport-agnostisch platform dat trackingdata omzet in vergelijkbare ruimtelijke maatstaven voor Ultimate Frisbee, basketbal en voetbal, waarmee coaches de beschikbare ruimte en het juiste moment voor bewegingen zonder bal kunnen analyseren.

De kern

De "Rechtstreekse Move, Het Juiste Moment": Een Sport-App voor Ruimte en Timing

Stel je voor dat je een sporttrainer bent. Of het nu gaat om basketbal, voetbal of Ultimate Frisbee (een sport met een vlieger-schijfje), je stelt altijd dezelfde vraag aan je spelers: "Waar is er ruimte voor een aanval, en op welk exact moment moet een speler zonder bal gaan rennen?"

Tot nu toe was dit antwoord voor elke sport anders. Trainers moesten voor elke sport een nieuwe "taal" leren en nieuwe tools gebruiken. Dit artikel introduceert een slimme, openbare software die al deze sporten op één manier bekijkt. Het is alsof je een universele vertaler hebt die de tactiek van basketbal, voetbal en frisbee in één gemeenschappelijke taal vertaalt.

Hier is hoe het werkt, vertaald in alledaagse termen:

1. De Universele Vertaler (Het Platform)

Stel je voor dat je drie verschillende soorten Lego-blokken hebt: rood voor voetbal, blauw voor basketbal en geel voor frisbee. Normaal gesproken passen ze niet in elkaar. Deze nieuwe software (genaamd OpenSTARLab) is als een speciale adapter die al deze blokjes in precies dezelfde vorm giet.

• Wat doet het? Het neemt de ruwe data van spelers (waar ze lopen, hoe snel ze rennen) en maakt er een standaardformaat van.
• Het resultaat: Een trainer kan nu dezelfde vragen stellen aan een voetbalteam en een frisbeeteam, en krijgt antwoorden die direct met elkaar te vergelijken zijn.

2. De "Ruimte-Scanner" (De Metingen)

Hoe weet je of een speler op het juiste moment is gaan rennen? De software gebruikt twee slimme manieren om dit te meten:

• De "Wat als?"-machine (Counterfactuals):
  Stel je voor dat je een speler op video ziet rennen. De software kan zeggen: "Wat als deze speler 1 seconde later was gaan rennen?" of "Wat als hij 1 seconde eerder was begonnen?"
  Het simuleert deze alternatieve scenario's en meet of de ruimte dan groter of kleiner was. Het is alsof je een tijdmachine hebt om te zien of een andere timing een beter resultaat had opgeleverd.
• De "Bollen van Gevaar" (Ruimtestrategie):
  De software tekent een onzichtbaar veld over het speelveld. Rode gebieden zijn waar de verdediging de bal snel kan pakken, en blauwe gebieden zijn veilige plekken voor de aanval.
  • In voetbal: Het kijkt of een speler de bal kan intercepteren terwijl hij onderweg is.
  • In frisbee: Omdat je daar niet mag dribbelen, kijkt het heel precies naar het moment waarop de schijf wordt gegooid en of de ontvanger op het juiste moment klaarstaat.

3. De Proef op de Som (Wat hebben ze ontdekt?)

De auteurs hebben hun systeem getest op drie sporten:

• Ultimate Frisbee (De Testbaan):
  Ze gebruikten een professionele wedstrijd tussen twee teams. Ze ontdekten dat het niet alleen gaat om hoeveel ruimte je hebt, maar vooral om hoe vaak je die ruimte veilig kunt houden.

  • De les: Een team dat constant kleine stukjes veilige ruimte creëert, wint vaker dan een team dat af en toe een enorme, maar onzekere kans maakt. Ook zagen ze dat het exacte moment van starten (timing) cruciaal is; een seconde te vroeg of te laat kan de hele aanval verpesten.

• Voetbal (De Transfer):
  Ze namen een model dat oorspronkelijk voor basketbal was gemaakt (waar je kunt dribbelen en de bal kunt sturen) en pasten het toe op het WK Voetbal 2022.

  • Het resultaat: Dit aangepaste model voorspelde beter welke schoten doelpunten zouden worden dan de oude, standaard voetbal-methoden. Het bleek dat het model dat rekening hield met de beweging van de bal onderweg (in plaats van alleen het einddoel), slimmer was. Het was alsof je een basketbaltrainer vraagt om voetbal te analyseren, en hij blijkt juist een beter inzicht te hebben in de dynamiek van het spel!

Waarom is dit belangrijk?

Vroeger waren sportanalyses als verschillende eilanden. Nu hebben we een brug gebouwd.

• Voor trainers: Ze kunnen nu leren van andere sporten. Wat werkt goed in basketbal, kan misschien ook werken in voetbal.
• Voor fans: Het maakt het spel begrijpelijker. Je kunt zien waarom een aanval mislukte: was het omdat de speler te vroeg rende, of omdat er simpelweg geen ruimte was?
• Voor de toekomst: Dit systeem kan straks ook helpen bij andere sporten zoals hockey of rugby, omdat de basisprincipes van "ruimte creëren" en "het juiste moment kiezen" overal hetzelfde zijn.

Kortom: Dit artikel presenteert een slimme tool die laat zien dat, ongeacht of je met een bal, een schijf of een bal in handen speelt, de kunst van het winnen draait om het vinden van de juiste ruimte op het perfecte moment. En nu kunnen we dat voor elke sport op dezelfde manier meten en begrijpen.

Technische samenvatting

Probleemstelling

In bezit-gebaseerde invasiesporten (zoals basketbal, voetbal en Ultimate Frisbee) is succes vaak afhankelijk van het creëren van ruimte en het kiezen van het juiste moment voor een beweging zonder bal (off-ball run). Huidige analysemethoden zijn echter vaak sport-specifiek ("silos"), wat het moeilijk maakt om inzichten te vergelijken of workflows te hergebruiken.
De kernvraag die coaches in al deze sporten stellen, is: "Waar is bruikbare ruimte en wanneer moet een beweging zonder bal beginnen?"
De uitdagingen om dit te kwantificeren zijn:

1. Heterogeniteit: Verschillen in veldgeometrie, event-vocabulaires en sample-rates tussen sporten.
2. Timing: Het detecteren van het exacte startmoment van een beweging in dichte trajecten is moeilijk, en bestaande analyses zijn vaak beperkt tot amateurdata of specifieke sporten.
3. Portabiliteit en Vertrouwen: Modellen die voor één sport zijn gekalibreerd, transfereren vaak niet goed naar andere sporten zonder herkalibratie, en er ontbreekt een standaard voor validatie.

Methodologie

De auteurs presenteren OpenSTARLab, een open-source, sport-agnostisch platform (Python-bibliotheek) dat trackingdata standaardiseert en vergelijkbare ruimtelijke evaluaties biedt. De pijplijn bestaat uit twee hoofdcomponenten:

1. Preprocessing Package (openstarlab-preprocessing):

   • Convergeert ruwe tracking- en event-data van Ultimate, basketbal en voetbal naar een gestandaardiseerd "Space Data" formaat.
   • Normaliseert coördinaten, synchroniseert tijdstempels en integreert metadata (teams, periodes) in een uniforme structuur.

2. SpaceEval Package (openstarlab-spaceEval):
   Dit pakket implementeert drie kernframeworks voor ruimtelijke evaluatie:

   • OBSO (Off-Ball Scoring Opportunity): Gebaseerd op Spearman (2018). Berekent de waarschijnlijkheid dat het aanvallende team scoort op basis van de kans op balcontrole op een locatie (PPCF - Potential Pitch Control Field) en de kans op scoren. Het is een uitkomst-gerichte maatstaf.
   • CRSV (Counterfactual-Ready Space Value): Specifiek ontwikkeld voor Ultimate (Iwashita et al., 2025). In plaats van alleen te kijken waar ruimte is, meet CRSV wanneer ruimte exploiteerbaar is.
     • Gebruikt een counterfactuele aanpak: Het startmoment van een beweging wordt virtueel verschoven (vroeger of later) terwijl alle andere spelers hun oorspronkelijke traject behouden.
     • Berekent V_timing door de werkelijke situatie te vergelijken met de beste counterfactuele scenario's.
     • Implementeert wUPPCF (Weighted Ultimate PPCF) dat rekening houdt met worfmoeilijkheid en blokkades.
   • BIMOS (Ball Intercept and Movement for Off-ball Scoring): Gebaseerd op Kono & Fujii (2024). Een verbetering van OBSO die rekening houdt met interceptie en dribbelen.
     • In plaats van een statisch doel (zoals bij PPCF), volgt BIMOS de dynamische "ballocatie" langs het traject van de pass.
     • Berekent de kans dat de aanval de bal controleert onderweg (PBCF - Potential Ball Control Field), wat realistischer is voor sporten waar dribbelen en onderscheppingen voorkomen.

Belangrijkste Bijdragen

1. Universeel Platform: Een open, installabele framework dat data uit drie verschillende sporten (Ultimate, Basketbal, Voetbal) unifyt en vergelijkbare ruimtelijke metrieken levert.
2. Nieuwe Dataset (UFATrack): De publicatie van een professionele Ultimate Frisbee-dataset met gesynchroniseerde video, tracking (10 fps) en event-annotaties. Dit dient als testbed voor timing-analyses.
3. Cross-Sport Transfer Validatie: Het succesvol toepassen van het basketbal-model (BIMOS) op voetbaldata (WK 2022) en het aantonen dat dit model beter presteert dan het traditionele voetbal-model (OBSO) in termen van voorspellende nauwkeurigheid.
4. Timing-Aware Analyse: Een methode om de kwaliteit van het startmoment van een beweging kwantitatief te evalueren via counterfactuele simulaties.

Resultaten

1. Validatie in Ultimate Frisbee (UFATrack dataset):

• Team-niveau: De metriek V_frame (ruimtekwaliteit) correleerde met spelkwaliteit. Het team dat meer won (SLC) genereerde consistent meer "medium-kwaliteit" speelmomenten, terwijl het verliezende team (OAK) minder vaak speelde maar wel enkele hoge-kwaliteit momenten had.
• Timing: De V_timing (optimaliteit van het startmoment) toonde geen significant verschil tussen de teams, wat suggereert dat het scoreverschil meer te maken had met andere factoren (zoals worpnauwkeurigheid) dan met het timing van bewegingen.
• Counterfactueel Geval: Een analyse van één bezit toonde aan dat het 1 seconde (10 frames) uitstellen van de start van een beweging de ruimtewaarde (V_scenario) van 0,371 naar 0,544 kon verhogen, omdat de verdediging dan de ruimte had verlaten.

2. Cross-Sport Transfer (Voetbal - WK 2022):

• Temporele Stabiliteit: Zowel OBSO als BIMOS toonden matige tot sterke stabiliteit tussen opeenvolgende wedstrijden, wat aangeeft dat ze herhaalbaar teamgedrag meten.
• Voorspellende Kracht: BIMOS had een sterkere correlatie met toekomstige schoten (0,82) dan OBSO (0.63).
• Kalibratie (Log-Loss): BIMOS presteerde aanzienlijk beter dan OBSO bij het voorspellen van doelpunten (Log-loss: 0,3943 vs 0,6508). Dit betekent dat BIMOS, door rekening te houden met interceptie en dynamische balbeweging, nauwkeurigere waarschijnlijkheidsschattingen geeft dan het statische OBSO-model.

Betekenis en Conclusie

Dit onderzoek biedt een praktische weg naar consistente, vergelijkbare evaluaties in verschillende invasiesporten. Door sport-specifieke silo's te doorbreken en een gemeenschappelijke representatie van ruimte en timing te gebruiken, kunnen coaches en analisten:

• Dezelfde analytische vragen stellen over verschillende sporten.
• Betrouwbare inzichten krijgen over wanneer bewegingen het meest effectief zijn.
• Modellen uit een sport (zoals BIMOS uit basketbal) succesvol toepassen op een andere (voetbal), wat leidt tot betere voorspellende modellen.

De studie benadrukt dat het niet alleen gaat om waar ruimte is, maar vooral om wanneer die ruimte exploiteerbaar is, en dat counterfactuele simulaties een krachtig hulpmiddel zijn om dit te kwantificeren. Toekomstig werk zal zich richten op het uitbreiden van de datasets, het opnemen van individuele reactietijden en het implementeren van real-time analyses.