Evaluating Soccer Player Movements Using the Attacker-Defender Model

Resumo Técnico: Avaliação de Movimentos de Jogadores de Futebol Usando o Modelo Atacante-Defensor

Enunciado do Problema
O estudo aborda o desafio de modelar trajetórias de jogadores de curto prazo na análise de futebol. Embora as abordagens de aprendizado de máquina ofereçam alta precisão preditiva, elas frequentemente carecem de interpretabilidade física. Por outro lado, os modelos baseados em física priorizam a interpretabilidade, mas historicamente foram limitados em escopo. Especificamente, o modelo Atacante-Defensor (AD) proposto por Brink et al. (2023), que descreve interações entre um portador da bola e o defensor mais próximo, havia sido explorado anteriormente apenas com faixas de parâmetros limitadas e conjuntos de dados relativamente pequenos (1.573 eventos de drible). Consequentemente, a aplicabilidade do modelo a dados em grande escala e sua capacidade de capturar o espectro completo de estilos de jogo permaneceram pouco exploradas.

Metodologia
Os autores utilizaram um conjunto de dados compreendendo dados de rastreamento e eventos de 306 partidas da temporada de 2023 da J1 League, fornecidos pela DataStadium Inc. Os dados brutos de posição ($x, y$) registrados em intervalos de 0,04 segundos foram processados usando filtros de Savitzky–Golay e interpolação por splines cúbicas para reduzir ruído e calcular velocidades. A partir disso, 31.028 instâncias de drible foram extraídas com base em critérios rigorosos: o defensor mais próximo permaneceu constante, a posse durou mais de 0,5 segundos e os jogadores percorreram mais de 5 metros.

O cerne do estudo envolve o modelo AD, que define o movimento de um atacante ($\vec{v}_a$) e de um defensor ($\vec{v}_d$) usando equações diferenciais acopladas. Essas equações incorporam uma força de resistência proporcional à velocidade e uma força motriz determinada por componentes orientados ao gol e orientados ao oponente. O modelo é governado por seis parâmetros: forças motrizes máximas ($f_a, f_d$), constantes de tempo ($\tau_a, \tau_d$) e fatores de ponderação para interação com oponente ($\beta_a, \beta_d$).

Uma inovação metodológica chave é a otimização independente de parâmetros proposta. Diferentemente da abordagem original, onde todos os seis parâmetros eram otimizados simultaneamente para minimizar o erro total da trajetória, este estudo resolve as equações de movimento para um jogador enquanto fixa a trajetória real do oponente. Isso permite a estimativa independente dos parâmetros do atacante ($f_a, \tau_a, \beta_a$) e dos parâmetros do defensor ($f_d, \tau_d, \beta_d$). A otimização foi realizada usando o algoritmo COBYLA com amostragem de hipercubo latino para geração inicial de parâmetros. O estudo expandiu a análise para todos os quatro quadrantes do espaço de parâmetros (definidos pelos sinais de $f$ e $\beta$), enquanto trabalhos anteriores restringiram a análise a regiões específicas.

Principais Contribuições e Resultados

1. Eficiência e Precisão Aprimoradas na Otimização: O método de otimização independente proposto reduziu significativamente os custos computacionais ao diminuir a dimensionalidade do espaço de parâmetros. Mais importante ainda, melhorou a taxa de sucesso da estimativa de parâmetros. Usando a abordagem aprimorada, 88,5% (27.457) dos 31.028 eventos de drible atenderam ao critério de precisão (erro de trajetória $\varepsilon < 0,1$ para ambos os jogadores), comparado a 85,4% (26.492) usando o método acoplado original.
2. Validação em Grande Escala: O estudo validou com sucesso o modelo AD em um conjunto de dados quase 20 vezes maior que aquele utilizado em pesquisas anteriores, demonstrando sua robustez em uma ampla gama de cenários da J1 League.
3. Caracterização de Estilos de Jogo: Ao analisar os parâmetros otimizados em todo o espaço de quatro quadrantes, os autores identificaram padrões de movimento distintos e os associaram a funções específicas de jogadores:
   • Atacantes:
     • Região A1 ($f_a > 0, \beta_a > 0$): Movimento em direção ao gol do oponente e para longe do defensor. Dominado por zagueiros envolvidos na construção de jogadas.
     • Região A2 ($f_a < 0, \beta_a > 0$): Movimento para longe do gol, mas em direção ao defensor, frequentemente observado ao manter a posse sob pressão traseira.
     • Região A3 ($f_a < 0, \beta_a < 0$): Movimento em direção tanto ao gol quanto ao defensor, correspondendo a confrontos diretos um contra um perto de chances de gol.
     • Região A4 ($f_a > 0, \beta_a < 0$): Movimento para longe tanto do gol quanto do defensor, observado em aceleração para frente sob pressão ou dribles para trás.
   • Defensores:
     • Região D1 ($f_d > 0, \beta_d > 0$): Movimento em direção ao gol defensivo e ao atacante, típico de ações de pressão por atacantes centrais.
     • Região D2 ($f_d < 0, \beta_d > 0$): Movimento para longe tanto do gol quanto do atacante, representando recuos defensivos.
     • Região D3 ($f_d < 0, \beta_d < 0$): Movimento em direção ao gol, mas para longe do atacante, comum ao lidar com dribles laterais.
     • Região D4 ($f_d > 0, \beta_d < 0$): Movimento para longe do gol, mas em direção ao atacante, indicando desafios de alto risco por trás.

Significado e Alegações
O artigo afirma que, ao expandir a faixa de parâmetros analisados e utilizar um conjunto de dados maior, o estudo fornece novas percepções quantitativas sobre os estilos de jogo distintos de atacantes e defensores. Os autores afirmam que o método de otimização independente não apenas melhora a eficiência do ajuste do modelo, mas também aumenta o volume de trajetórias reproduzidas com precisão, permitindo assim uma caracterização de jogadores mais robusta.

O estudo conclui com modéstia, observando que, embora o modelo reproduza com sucesso as trajetórias, muitos parâmetros otimizados aproximaram-se dos limites do espaço de parâmetros definido. Isso sugere a necessidade de um refinamento futuro da função de erro, potencialmente incorporando termos de penalidade baseados na velocidade e aceleração do jogador. Também é proposto trabalho futuro para analisar contextos específicos (por exemplo, localização no campo) e funções de jogadores com maior detalhe.