🤖 AI

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

Dit artikel introduceert Monte Carlo Pass Search (MCPS), een nieuw framework dat een 3D-balgeconditioneerd wereldmodel en een waardemodel gebruikt om varianten van passuitvoering te simuleren en hun contrafactische uitkomsten te evalueren, waardoor distributiebewuste attributie en rangschikking van voetbalpasses mogelijk wordt met behulp van hoogwaardige Bundesliga-trackingdata.

Oorspronkelijke auteurs: Andrew Kang, Priya Narasimhan

Gepubliceerd 2026-06-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Andrew Kang, Priya Narasimhan

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je naar een voetbalwedstrijd kijkt. Een speler trapt de bal naar een teamgenoot. In het verleden keken analisten naar het resultaat: Heeft de teamgenoot de bal gekregen? Heeft hij gescoord? Zo ja, dan was het een "goede" pass. Zo nee, dan was het een "slechte" pass.

Maar dit artikel betoogt dat een pass beoordelen op basis van alleen het resultaat is alsover een chef-kok beoordelen op basis van of de klant het maaltijd heeft opgegeten. Het negeert of de chef daadwerkelijk een meesterwerk heeft bereid dat toevallig is laten vallen, of dat hij een aangebrand maaltijd heeft geserveerd die de klant desondanks heeft opgegeten.

De auteurs, Andrew Kang en Priya Narasimhan van Carnegie Mellon University, hebben een nieuw systeem gebouwd genaamd Monte Carlo Pass Search (MCPS). Zie dit als een "Wat-als Simulator" voor voetbalpasses.

Dit is hoe het werkt, onderverdeeld in eenvoudige delen:

1. Het Probleem: Het "Vlindereffect" van Voetbal

In het voetbal kunnen twee passes identiek lijken maar heel verschillende uitkomsten hebben.

Pass A: Een perfecte, licht riskante pass die precies de voet van een teamgenoot raakt. Geweldige uitkomst.
Pass B: Exact dezelfde pass, maar de teamgenoot glijdt een klein beetje uit. Slechte uitkomst.

Traditionele statistieken behandelen deze als verschillend. Dit systeem vraagt: Hoe fragiel was die pass? Als de speler de bal 2% harder had getrapt of 1 graad naar links, zou het dan nog steeds gewerkt hebben?

2. De Oplossing: Een "Simulatie-race" Draaien

In plaats van naar slechts één pass te kijken, draait MCPS duizenden "wat-als"-scenario's voor elke enkele trap. Het is als een videogame die de volgende paar seconden van het spel steeds opnieuw simuleert, maar dan met kleine variaties telkens weer.

Het systeem heeft drie hoofdonderdelen, zoals een team van experts:

De "Trap-Detective" (Policy Model):
Eerst bepaalt het systeem precies hoe de speler de bal heeft getrapt. Omdat camera's niet perfect zijn, gebruikt het wiskunde om de snelheid, spin en hoek van de trap te raden.
- Analogie: Stel je een detective voor die probeert te reconstrueren hoe een auto precies tegen een muur is gekomen, enkel door naar de remsporen te kijken.
De "Kristallen Bol" (World Model):
Zodra het weet hoe de bal is getrapt, voorspelt het wat er daarna gebeurt. Het simuleert hoe andere spelers zullen rennen, waar de bal zal stuiteren en wie hem als volgende aanraakt.
- Analogie: Dit is als een weerman, maar in plaats van regen, voorspelt hij de bewegingen van spelers. Het gebruikt een speciaal "token"-systeem (zoals woorden in een zin) om de toekomst stap voor stap te voorspellen, wat helpt om goed te functioneren, zelfs met beperkte data.
De "Scorekeeper" (Value Model):
Na het simuleren van de toekomst vraagt het systeem: "Heeft dit nieuwe scenario het team dichter bij een doelpunt gebracht?" Het geeft het scenario een score.
- Analogie: Het is als een coach die de simulatie bekijkt en roept: "Goede zet!" of "Dat was een fout!"

3. De Twee Soorten Simulaties

Het systeem draait twee verschillende soorten "races" om een speler te evalueren:

Race 1: De "Executie" Test (Local Search)
Het systeem neemt hetzelfde idee voor een pass, maar verandert de trap een klein beetje (een beetje sneller, een beetje meer naar links).
- Doel: Om te zien of de pass fragiel was. Als een kleine fout de actie verpest, was de pass riskant. Als de actie nog steeds werkt, zelfs met een minder goede trap, was de pass robuust.
- Resultaat: Dit vertelt ons of een speler een "gelukkige" trapper is of een "constante" trapper.
Race 2: De "Opportuniteit" Test (Global Search)
Het systeem verandert de bestemming van de pass volledig. Het vraagt: "Had de speler de bal naar een andere teamgenoot kunnen trappen voor een beter resultaat?"
- Doel: Om te zien of de speler de beste keuze maakte.
- Resultaat: Dit vertelt ons of een speler een "slimme" beslisser is die de beste opties ziet.

4. Wat Ze Vonden

Met behulp van echte data uit de Duitse Bundesliga (een topcompetitie in Duitsland) hebben ze dit getest op een specifieke wedstrijd.

Ze ontdekten dat sommige passes er geweldig uitzagen, maar in werkelijkheid zeer "smal" waren — wat betekent dat ze alleen werkten als alles perfect verliep.
Ze ontdekten dat sommige spelers consistent passes maakten die ofwel robuust waren (moeilijk te verpesten) ofwel opties kozen die veel beter waren dan het gemiddelde alternatief.
Ze bewezen dat zelfs met een kleine hoeveelheid publieke data (slechts 7 wedstrijden), hun "token-gebaseerde" simulatiemethode nauwkeuriger was in het voorspellen van spelersbewegingen dan andere bestaande methoden.

Samenvatting

Dit artikel zegt niet alleen: "Pass X was goed." Het zegt:

Hoe goed was de beslissing? (Kozen ze de beste teamgenoot?)
Hoe goed was de uitvoering? (Trapten ze de bal perfect, of hadden ze geluk?)
Hoe riskant was het? (Zou een kleine fout de actie hebben verpest?)

Door duizenden "wat-als" toekomsten te simuleren, veranderen ze een enkel moment in het voetbal in een rijke verdeling van mogelijkheden, waardoor coaches en scouts de werkelijke kwaliteit van de passing van een speler kunnen begrijpen, en niet alleen het resultaat.

Technische Samenvatting: Monte Carlo Pass Search (MCPS)

Probleemstelling

Voetbalanalyse heeft traditioneel vertrouwd op propriëtaire datasets en punt-schatting metrieken (bijv. expected threat, expected pass) die een enkele gerealiseerde uitkomst evalueren. Deze aanpak faalt in het ontrafelen van drie kritieke componenten van een passbeslissing:

Optiekwaliteit: Of de passer een goede doelwitsch de keuze maakte.
Executiefragiliteit: Of de gekozen optie een nauwe "succeswindow" had (d.w.z. zeer gevoelig was voor kleine fouten in de trapparameters).
Executiekwaliteit: Of de werkelijke trap beter of slechter was dan de typische uitvoering voor die specifieke poging.

Bestaande modellen behandelen passes vaak als deterministische gebeurtenissen of vertrouwen op op regels gebaseerde fysica-simulaties die complexe, contextuele bewegingen van spelers zonder bal niet kunnen vangen. Het gebrek aan publieke, hoogwaardige 3D-trackingdata heeft de ontwikkeling van reproduceerbare, distributiebewuste evaluatiekaders verder belemmerd.

Methodologie: Monte Carlo Pass Search (MCPS)

De auteurs herformuleren de evaluatie van een pass als een Monte Carlo Tree Search (MCTS)-achtig probleem, waarbij handmatig ontworpen simulators worden vervangen door geleerde generatieve modellen. Het framework opereert in de ruwe spatiotemporele ruimte en bestaat uit drie kerncomponenten:

1. Het Waardemodel (Possession Value)

Een Transformer-gebaseerd model wijst een scalaire Possession Value (PV) toe aan elke speltoestand.

Definitie: $PV = P(\text{Ego scoort binnen 10s}) - P(\text{Tegenstander scoort binnen 10s})$ .
Training: Getraind op tracking-vensters met binary cross-entropy heads, waarbij schoten binnen 10 seconden als labels worden gebruikt (gewogen door expected goals om schaarste te mitigeren).
Rol: Biedt het beloningssignaal voor het evalueren van de uitkomst van gesimuleerde rollouts.

2. Het Wereldmodel (Trajectgeneratie)

Een generatief model voorspelt korte-termijn toekomsten (speler- en baltrajecten) geconditioneerd op een kandidaat-balvlucht. Om de steekproefefficiëntie op beperkte publieke data te waarborgen, passen de auteurs SMART aan, een autoregressief model met discrete tokens uit de autonome rijsector.

Architectuur: Een decoder-only space-time Transformer met discrete tokens.
- Tokens: Spelermobiliteit (10D planaire snelheden) en balbeweging (15D 3D snelheden) worden gekwantiseerd in vocabulaire via k-means.
- Conditionering: Het model conditioneert op 8 historie-tokens en voorspelt 24 rollout-tokens.
Interactiemodules:
- Player-to-Touch: Voorspelt de volgende speler die de bal raakt en de tijd tot aanraking via een survival-stijl objectief.
- Ball-at-Touch: Voorspelt de snelheid van de bal na de aanraking met een diagonaal-Gaussische regressor.
Rollout: Het model genereert stochastische multi-agent toekomsten tot de eerste betekenisvolle interactie met de bal (aanraking, afbuiging of uit de baan).

3. Het Policy Model (Zoektocht over Passvarianten)

Voor elke geobserveerde pass voorspelt MCPS de trapparameters (initiële 3D-snelheid en spin) met behulp van een CEM-stijl solver gekoppeld aan een fysica-simulator. Vervolgens construeert het twee tegenfeitelijke actiesets:

Lokale Zoektocht: Samplet 256 varianten door kleine perturbaties toe te passen op de geïnferrederde trapparameters (het modelleren van executie-ruis).
Globale Zoektocht: Samplet 256 varianten met grotere perturbaties om alternatieve passing-opties te verkennen (andere doelwitten/richtingen) vanuit dezelfde pre-pass staat.

Evaluatiekader

Elke kandidaat-pass (geobserveerd of tegenfeitelijk) wordt door de wereldmodel gerold en gescoord door het waardemodel om een distributie van de gewonnen Possession Value ( $\Delta PV$ ) te verkrijgen. Twee distributiebewuste metrieken worden berekend voor attributie:

Mean-Difference Surplus ( $S_{mean}$ ): Het verschil tussen de $\Delta PV$ van de geobserveerde pass en de gemiddelde $\Delta PV$ van de tegenfeitelijke set.
Percentile Surplus ( $S_{pct}$ ): De percentielrang van de $\Delta PV$ van de geobserveerde pass binnen de tegenfeitelijke distributie.

Belangrijkste Bijdragen

Traject-geconditioneerde Rollout Evaluatie: Een framework dat diverse korte-termijn toekomsten genereert, geconditioneerd op kandidaat-baltrajecten, waarmee verder wordt gegaan dan punt-schattingen naar volledige distributies.
Dual Monte Carlo Search: Een mechanisme dat executie-gevoeligheid (lokale zoektocht) scheidt van de benadering van de optie-set (globale zoektocht).
Distributiebewuste Metrieken: Introductie van $S_{mean}$ en $S_{pct}$ scores die een genuanceerde analyse mogelijk maken van de robuustheid en besluitkwaliteit van een pass.
Adaptatie van Autoregressieve Modellen: Demonstratie dat discrete-token, autoregressieve trajectgeneratoren (geadapteerd van SMART) sterke best-of-20 voorspellingsnauwkeurigheid leveren op beperkte publieke voetbaldata, wat volledig hypothetische rollouts mogelijk maakt.

Resultaten

Het framework werd geëvalueerd op een publieke Bundesliga-dataset (7 wedstrijden, 25 Hz tracking, 3D balcoördinaten).

Trajectvoorspelling: Het aangepaste SMART-model bereikte een Best-of-20 minADE van 2.4 en minFDE van 4.7, waarmee het baselines verslaat, waaronder een statisch model, constante snelheid, een naïeve Transformer en de publieke Sports-Traj checkpoint (minADE 4.2).
Player-to-Touch: Het hybride model (Traject + Aanrakingsvoorspelling) bereikte een Receiver Top-1 Accuratesse van 0.605. De auteurs merken op dat dit een conservatieve ondergrens is vanwege de mismatch in objectieven (training op eerste-aanraking gevaar versus inferentie op hypothetische toekomsten) en de onzekerheid in de rollout.
Casestudy (Bochum vs. Leverkusen):
- Executiegevoeligheid: Analyse van een specifieke pass door Florian Wirtz toonde een niet-verwaarloosbare spreiding in $\Delta PV$ , zelfs onder kleine lokale perturbaties, wat benadrukt dat sommige passes alleen waardevol zijn bij bijna perfecte uitvoering.
- Spelersranglijsten: Het aggregeren van metrieken over een wedstrijd maakte het mogelijk om spelers te rangschikken op basis van:
  - Lokale Zoektocht: Consistentie ten opzichte van de moeilijkheidsgraad van de uitvoering (hoge percentiel surplus duidt op robuuste uitvoering).
  - Globale Zoektocht: Systematische selectie van hoogwaardige opties (hoge mean-difference surplus duidt op het kiezen van betere doelwitten dan het gemiddelde alternatief).

Betekenis en Claims

Het paper beweert een nieuwe baseline te hebben gevestigd voor voetbalanalyse die het veld opnieuw verbindt met de bredere Computer Vision community door gebruik te maken van publieke, hoogwaardige data.

Van Punt-schattingen naar Distributies: MCPS modelleert expliciet het risico en de fragiliteit van passes, waardoor onderscheid wordt gemaakt tussen een "goede beslissing met slechte uitvoering" en een "slechte beslissing met goede uitvoering".
Ontrafeling van Factoren: Door lokale (executie) en globale (optie) zoektochten te scheiden, biedt het framework een meer granulair beeld van spelersprestaties dan bestaande metrieken.
Haalbaarheid op Publieke Data: Dit werk demonstreert dat hoogwaardige, distributiebewuste evaluatie mogelijk is, zelfs met kleine publieke datasets (7 wedstrijden), door efficiënte, op tokens gebaseerde generatieve modelleringstechnieken te gebruiken die zijn aangepast uit de autonome rijsector.

De auteurs erkennen beperkingen, waaronder de kleine schaal van de trainingsdata, potentiële ruis in de synchronisatie van tracking en de vereenvoudiging van de zoekdistributies. Zij suggereren dat toekomstig werk zich moet richten op multi-interactie horizonten, betere modellering van zeldzame interacties (bijv. luchtduels) en realistischere proposal-policies voor de globale zoektocht.