Resumo Técnico: Busca de Passe Monte Carlo (MCPS)

Declaração do Problema

A análise de futebol (soccer) tem dependido tradicionalmente de conjuntos de dados proprietários e métricas de estimativa pontual (ex: ameaça esperada, passe esperado) que avaliam um único resultado realizado. Esta abordagem falha em separar três componentes críticos de uma decisão de passe:

1. Qualidade da Opção: Se o passador escolheu um bom alvo.
2. Fragilidade da Execução: Se a opção escolhida tinha uma "janela de sucesso" estreita (ou seja, era altamente sensível a pequenos erros nos parâmetros do chute).
3. Qualidade da Execução: Se o chute real foi melhor ou pior do que a execução típica para aquele intento específico.

Modelos existentes costem tratar passes como eventos determinísticos ou dependem de simulações de física baseadas em regras que não conseguem capturar movimentos complexos de jogadores sem a bola, contextualizados pelo jogo. A falta de dados de rastreamento 3D de alta fidelidade e públicos dificultou o desenvolvimento de frameworks de avaliação reprodutíveis e conscientes de distribuições.

Metodologia: Busca de Passe Monte Carlo (MCPS)

Os autores recasaram a avaliação de passe como um problema semelhante à Busca de Árvore de Monte Carlo (MCTS), substituindo simuladores desenhados à mão por modelos generativos aprendidos. O framework opera no espaço espaciotemporal bruto e consiste em três componentes principais:

1. O Modelo de Valor (Valor de Posse)

Um modelo baseado em Transformer atribui um escalar de Valor de Posse (PV) a qualquer estado de jogo.

• Definição: $PV = P(\text{Ego marca em 10s}) - P(\text{Oponente marca em 10s})$.
• Treinamento: Treinado em janelas de rastreamento com cabeças de entropia cruzada binária, utilizando chutes dentro de 10 segundos como rótulos (ponderados por gols esperados para mitigar a esparsidade).
• Papel: Fornece o sinal de recompensa para avaliar o resultado de simulações (rollouts).

2. O Modelo de Mundo (Geração de Trajetória)

Um modelo generativo prevê futuros de curto horizonte (trajetórias de jogadores e da bola) condicionados a uma trajetória de bola candidata. Para garantir a eficiência de amostragem em dados públicos limitados, os autores adaptam o SMART, um modelo autorregressivo de tokens discretos de direção autônoma.

• Arquitetura: Um Transformer espaço-temporal decodificador único usando tokens discretos.
  • Tokens: Movimento de jogadores (velocidades planares 10D) e movimento da bola (velocidades 3D 15D) são quantizados em vocabulários via k-means.
  • Condicionamento: O modelo condiciona-se em 8 tokens de histórico e prevê 24 tokens de rollout.
• Módulos de Interação:
  • Jogador-para-Toque: Prevê o próximo jogador a tocar a bola e o tempo até o toque usando um objetivo de sobrevivência.
  • Bola-no-Toque: Prevê a velocidade pós-toque da bola usando um regressor Gaussiano diagonal.
• Rollout: O modelo gera futuros multiagentes estocásticos até a primeira interação significativa com a bola (toque, desvio ou fora de campo).

3. O Modelo de Política (Busca sobre Variantes de Passe)

Para cada passe observado, o MCPS infere os parâmetros do chute (velocidade 3D inicial e rotação/spin) usando um solver do tipo CEM acoplado a um simulador de física. Em seguida, constrói dois conjuntos de ações contrafatuais:

• Busca Local: Amostra 256 variantes aplicando pequenas perturbações aos parâmetros de chute inferidos (modelando ruído de execução).
• Busca Global: Amostra 256 variantes com perturbações maiores para explorar alternativas de passe (diferentes alvos/direções) a partir do mesmo estado pré-passe.

Framework de Avaliação

Cada passe candidato (observado ou contrafatual) é processado através do Modelo de Mundo e pontuado pelo Modelo de Valor para obter uma distribuição de ganho de Valor de Posse ($\Delta PV$). Dois métricas conscientes de distribuição são computadas para atribuição:

1. Excedente de Diferença de Média ($S_{mean}$): A diferença entre o $\Delta PV$ do passe observado e o $\Delta PV$ médio do conjunto contrafatual.
2. Excedente de Percentil ($S_{pct}$): O ranking de percentil do $\Delta PV$ do passe observado dentro da distribuição contrafatual.

Principais Contribuições

• Avaliação de Rollout Condicionada por Trajetória: Um framework que gera futuros diversos de curto horizonte condicionados a trajetórias de bola candidatas, indo além de estimativas pontuais para distribuições completas.
• Busca de Monte Carlo Dupla: Um mecanismo que separa a sensibilidade de execução (busca local) da aproximação do conjunto de oportunidades (busca global).
• Métricas Conscientes de Distribuição: Introdução dos scores $S_{mean}$ e $S_{pct}$ que permitem uma análise matizada da robustez do passe e da qualidade da decisão.
• Adaptação de Modelos Autorregressivos: Demonstração de que geradores de trajetória autorregressivos de tokens discretos (adaptados do SMART) produzem uma forte precisão de previsão best-of-20 em dados de futebol públicos, permitando rollouts totalmente hipotéticos.

Resultados

O framework foi avaliado em um conjunto de dados público da Bundesliga (7 partidas, rastreamento de 25 Hz, coordenadas 3D da bola).

• Previsão de Trajetória: O modelo SMART adaptado alcançou um Best-of-20 minADE de 2.4 e minFDE de 4.7, superando baselines incluindo um modelo estático, velocidade constante, um Transformer ingênuo e o checkpoint público Sports-Traj (minADE 4.2).
• Jogador-para-Toque: O modelo híbrido (Trajetória + Previsão de Toque) alcançou uma Acurácia Top-1 de Receiver de 0.605. Os autores observam que este é um limite inferior conservador devido ao descompasso de objetivo (treinamento em perigo de primeiro toque vs. inferência em futuros hipotéticos) e incerteza de rollout.
• Estudo de Caso (Bochum vs. Leverkusen):
  • Sensibilidade de Execução: A análise de um passe específico de Florian Wirtz mostrou uma dispersão não trivial no $\Delta PV$ mesmo sob pequenas perturbações locais, destacando que alguns passes são valiosos apenas sob execução quase perfeita.
  • Ranking de Jogadores: A agregação de métricas através de uma partida permitiu classificar jogadores com base em:
    • Busca Local: Consistência relativa à dificuldade de execução (alto excedente de percentil indica execução robusta).
    • Busca Global: Seleção sistemática de opções de alto valor (alto excedente de diferença de média indica a escolha de melhores alvos do que a alternativa média).

Significância e Alegações

O artigo afirma estabelecer um novo padrão para a análise de futebol, reconectando a área com a comunidade mais ampla de Visão Computacional ao utilizar dados públicos de alta fidelidade.

• De Estimativas Pontuais para Distribuições: O MCPS modela explicitamente o risco e a fragilidade de passes, distinguindo entre uma "boa decisão com má execução" e uma "má decisão com boa execução".
• Desmembramento de Fatores: Ao separar as buscas local (execução) e global (opção), o framework fornece uma visão mais granular do desempenho do jogador do que as métricas existentes.
• Viabilidade em Dados Públicos: O trabalho demonstra que a avaliação consciente de distribuição e de alta fidelidade é possível mesmo com pequenos conjuntos de dados públicos (7 partidas), aproveando técnicas de modelagem generativa baseadas em tokens eficientes adaptadas do setor de direção autônoma.

Os autores reconhecem limitações, incluindo a pequena escala dos dados de treinamento, o potencial ruído na sincronização de rastreamento e a simplificação das distribuições de busca. Eles sugerem que trabalhos futuros devem focar em horizontes de múltiplas interações, melhor modelagem de interações raras (ex: duelos aéreos) e políticas de proposta mais realistas para a busca global.