🔢 mathematics

Constrained Multi-Agent Optimal Control for Football Tactical Decision Support: Analysis, Solver Verification, and Reproducible Scenario Experiments

Este artigo apresenta uma estrutura de controle ótimo multiagente restrita para a tomada de decisão tática no futebol que estabelece condições de otimalidade teórica, implementa um solver numérico e valida a abordagem por meio de experimentos sintéticos reproduzíveis que demonstram melhorias significativas no desempenho estratégico em relação às estratégias de base.

Autores originais: Abbes Kadyri, Abdelfettah Belkahla, Otmane Bencheihb

Publicado 2026-09-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Abbes Kadyri, Abdelfettah Belkahla, Otmane Bencheihb

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O futebol é frequentemente descrito como um jogo de espaço e tempo, onde o ativo mais valioso não é apenas a bola, mas o terreno vazio ao seu redor. Durante décadas, treinadores e analistas observaram replays para entender como as equipas se movem em conjunto, tentando identificar padrões na forma como um grupo de onze jogadores transita de um bloco defensivo compacto para uma formação ofensiva. A tecnologia moderna tornou esta observação ainda mais nítida, permitindo-nos rastrear a posição exata de cada jogador no campo a alta velocidade. No entanto, saber onde os jogadores estão e como se moveram no passado é diferente de saber o que devem fazer a seguir. A grande questão que permanece é como calcular a trajetória perfeita para uma equipa inteira se mover de uma forma para outra, respeitando os limites físicos dos jogadores e as regras do campo. Este é o desafio do suporte à decisão tática: transformar a ideia abstrata de um "bom movimento" num plano concreto e executável.

Uma equipa de investigadores da Universidade Chouaib Doukkali, em Marrocos, abordou este problema tratando as táticas de futebol como um complexo enigma matemático. Eles construíram um modelo computacional que simula um cenário de um jogo completo, não por adivinhar o que poderia acontecer, mas por calcular a melhor forma única para uma equipa se reorganizar. No seu estudo, não dependeram de imagens de jogos reais ou de dados históricos. Em vez disso, criaram um cenário sintético, ou inteiramente inventado, envolvendo onze jogadores num campo padrão de 105 por 68 metros. Definiram um conjunto de objetivos que um treinador poderia querer alcançar, tais como controlar mais o campo, manter a linha defensiva compacta, pressionar o adversário agressivamente e conservar energia. Também estabeleceram regras físicas rigorosas, garantindo que nenhum jogador na simulação pudesse correr a uma velocidade máxima realista de 7,0 metros por segundo.

Os investigadores pediram ao computador para encontrar a trajetória ótima para cada jogador percorrer de uma posição inicial até uma posição alvo num período de doze segundos. Para o fazer, utilizaram um método que verifica constantemente as compensações entre diferentes objetivos. Por exemplo, se uma equipa tentar pressionar mais o adversário, os jogadores terão de correr mais depressa, o que consome mais energia. Se ficarem demasiado afastados, perdem estabilidade defensiva. O computador teve de equilibrar todas estas necessidades concorrentes simultaneamente. O resultado foi um conjunto de instruções precisas sobre como cada jogador deve mover-se a cada fração de segundo para alcançar o melhor resultado global.

Quando os investigadores compararam o plano otimizado pelo computador com duas alternativas mais simples, a diferença foi clara. A primeira alternativa foi uma base estática, onde a equipa simplesmente permaneceu na sua formação inicial sem se mover. A segunda foi uma transição linear, onde os jogadores se moveram em linha reta a uma velocidade constante em direção ao seu alvo, como uma animação simples. A solução otimizada do computador, que envolveu trajetórias curvas complexas onde os jogadores aceleravam e desaceleravam em momentos específicos, teve um desempenho significativamente superior. Reduziu o "custo" geral da manobra em 11,58 por cento em comparação com o movimento simples em linha reta e em 38,26 por cento em comparação com o permanecer imóvel. Esta melhoria resultou da capacidade do modelo de posicionar os jogadores de modo a que pudessem cobrir mais terreno e aplicar mais pressão, mesmo que isso exigisse que corressem um pouco mais intensamente.

O estudo também testou como a equipa se comportaria se o treinador alterasse as suas prioridades. Num experimento, os investigadores disseram ao computador para se focar quase inteiramente na pressão sobre o adversário. O plano resultante mostrou os jogadores a moverem-se de forma mais agressiva para fechar o espaço, aceitando um risco maior de deixar lacunas na defesa. Noutro experimento, priorizaram a estabilidade defensiva. O computador respondeu fazendo com que os jogadores se movessem mais lentamente e permanecessem mais próximos uns dos outros, reduzindo o seu gasto energético, mas permitindo ao adversário mais espaço. Estes testes provaram que o sistema não estava apenas a seguir um guião rígido; estava genuinamente a resolver um exercício de equilíbrio, alterando o seu comportamento com base nas instruções específicas dadas.

É importante compreender os limites deste trabalho. Os investigadores foram muito claros ao afirmar que isto era uma verificação matemática, não uma previsão do futebol real. Os jogadores na simulação não eram seres humanos reais com fadiga, lesões ou particularidades individuais; eram pontos idealizados movendo-se de acordo com regras estritas. O adversário também era fixo e previsível, não um oponente pensante a tentar superar a equipa. O estudo não afirmou ter resolvido o futebol ou fornecido uma fórmula mágica para ganhar jogos. Em vez disso, demonstrou que a matemática subjacente e o código informático utilizados para resolver estes problemas eram sólidos e fiáveis. A equipa verificou os seus resultados através da verificação dos cálculos de múltiplas formas, garantindo que as verificações de gradiente do computador eram precisas e que a solução não mudava se a grelha utilizada para o cálculo fosse tornada mais fina.

O objetivo final desta investigação é construir uma base para ferramentas futuras que possam ajudar os treinadores. Ao provar que um problema tático complexo de múltiplos jogadores pode ser resolvido com um algoritmo computacional verificado, os investigadores criaram um marco reproduzível. Isto significa que outros cientistas podem usar os mesmos dados sintéticos e código para testar as suas próprias ideias. O próximo passo, segundo os autores, é aplicar este quadro de trabalho aos dados reais de jogos reais. Só então poderá o modelo ser calibrado para a realidade desordenada do desporto, onde os jogadores cansam-se, a bola move-se de forma imprevisível e os adversários reagem dinamicamente. Por agora, o estudo permanece como uma prova rigorosa de que a matemática das táticas de futebol pode ser mapeada, calculada e otimizada, oferecendo uma nova lente através da qual observar a profundidade estratégica do jogo.

Resumo Técnico: Controle Ótimo Multiagente com Restrições para Suporte à Decisão Tática no Futebol

1. Enunciado do Problema

Esta pesquisa aborda a questão prescritiva de como a configuração coletiva de uma equipe de futebol deve evoluir ao longo do tempo para atingir objetivos táticos específicos, dadas restrições de movimento explícitas. Diferente das análises descritivas ou preditivas que analisam eventos passados ou preveem resultados, este trabalho formula o planejamento tático como um problema de controle ótimo multiagente com restrições.

O desafio central é determinar os controles de velocidade ótimos para $N_p$ jogadores (modelados como estados) ao longo de um horizonte de tempo $T$ em um campo $\Omega$ . O sistema deve equilibrar objetivos táticos concorrentes:

Controle Territorial: Maximizar a influência sobre regiões espaciais específicas.
Exposição Defensiva: Minimizar lacunas entre defensores interligados.
Compactação: Manter uma forma de equipe coesa.
Cobertura de Pressão: Reduzir a distância em relação aos jogadores adversários em zonas de alta pressão.
Esforço de Movimentação: Minimizar o custo energético das mudanças de velocidade.
Precisão Terminal: Atingir uma formação alvo ao final do horizonte.

O problema está sujeito a restrições físicas, incluindo a velocidade máxima do jogador ( $V_{max}$ ) e o requisito de que todos os jogadores permaneçam dentro dos limites do campo.

2. Metodologia

Formulação Matemática

Os autores modelam o campo como um retângulo fechado $\Omega = [0, L] \times [0, W]$ . As posições dos jogadores $x_i(t)$ evoluem de acordo com a cinemática de primeira ordem $\dot{x}_i = u_i$ , onde $u_i$ é o controle de velocidade. O adversário é tratado como um caminho prescrito $Y(t)$ em vez de um agente otimizador, isolando o problema de controle de uma única equipe.

O objetivo é minimizar um funcional de Bolza adimensional $J(U)$ , que combina:

Custo de Corrida: Uma soma ponderada de perdas táticas normalizadas (territoriais, defensivas, de compactação, de pressão e de esforço) integradas ao longo do tempo.
Custo Terminal: Uma penalidade pela desviação de uma formação alvo $X_{tar}$ .

A partilha de controle espacial $P_A(z)$ é modelada usando campos de influência exponencial baseados em tempos de chegada, normalizados contra a influência do adversário. Todas as funções de perda são suavizadas (por exemplo, usando parâmetros de regularização $\kappa, \delta, \rho$ ) para garantir a diferenciabilidade.

Análise Teórica

Existência: Os autores provam a existência de um controle ótimo usando o método direto no cálculo de variações, baseando-se na compacidade do espaço de estados e na semicontinuidade inferior fraca do termo de esforço.
Condições de Otimalidade: Usando o Princípio do Mínimo de Pontryagin, os autores derivam as condições necessárias de primeira ordem. Isso resulta em um sistema de equações de estado, equações adjuntas (costate) e uma condição de transversalidade.
Lei de Controle: Uma lei de controle interior explícita é derivada, mostrando que a velocidade ótima é uma projeção de um termo de gradiente sobre a bola de velocidade admissível $B_{V_{max}}$ .

Solucionador Numérico

Para resolver o problema numericamente, os autores empregam um algoritmo de gradiente projetado discretizado no tempo:

Discretização: O problema contínuo é discretizado usando uma aproximação de controle constante por partes e a regra do retângulo para integração.
Método Adjunto: Um adjunto discreto exato é computado retroativamente no tempo para determinar o gradiente reduzido da função objetivo em relação aos controles.
Otimização: O algoritmo utiliza busca de linha Armijo backtracking combinada com projeção no conjunto factível (restrições de velocidade e limites do campo).
Verificação: O solucionador é rigorosamente verificado usando verificações de gradiente por diferenças finitas, auditorias de restrição, análise de sensibilidade de grade espacial e experimentos de múltiplos começos.

3. Principais Contribuições

O artigo apresenta seis contribuições metodológicas específicas:

Formulação Unificada: Um framework multiagente restrito que codifica simultaneamente perdas territoriais, defensivas, de compactação, de pressão e de esforço como componentes diferenciáveis.
Rigor Teórico: Estabelecimento de resultados de existência, propriedades de suavidade e condições necessárias de Pontryagin explícitas para o problema de controle tático.
Adjunto Discreto e Solucionador: Derivação de um adjunto consistente discretizado no tempo e um método de gradiente projetado com Armijo backtracking, incluindo uma prova de estacionariedade de primeira ordem para a iteração discreta.
Fidelidade de Implementação: O fornecimento de uma implementação real do algoritmo de otimização, distinguindo o output de simples interpolações prescritas.
Verificação do Solucionador: Verificação abrangente via verificações de gradiente por diferenças finitas, auditoria de restrições e análise de sensibilidade para garantir consistência numérica.
Reprodutibilidade: A liberação de coordenadas sintéticas, parâmetros, código e saídas numéricas totalmente documentados, permitindo a reprodução independente sem dados proprietários.

4. Resultados

Desempenho de Referência (Benchmark)

Usando um benchmark sintético de 11 jogadores em um campo de $105 \times 68$ m sobre um horizonte de 12 segundos:

Melhoria do Objetivo: A estratégia otimizada reduziu o valor da função objetivo de 0,20935 (transição linear factível) para 0,18511, uma melhoria de 11,58%. Comparado a uma linha de base compacta estática (0,29982), a melhoria foi de 38,26%.
Compensações (Trade-offs): A solução otimizada aceitou um maior esforço de movimentação (0,0727 vs. 0,0495 para a linear) para alcançar reduções significativas na perda de pressão (0,0269 vs. 0,1140) e na perda territorial.
Satisfação de Restrições: Todas as restrições de velocidade foram satisfeitas (velocidade máxima exatamente 7,0 m/s), e nenhuma restrição de limite de campo tornou-se ativa durante a otimização.
Convergência: O solucionador convergiu em 88 iterações com um resíduo de $1,57 \times 10^{-4}$ .

Verificação e Sensibilidade

Precisão do Gradiente: Verificações de diferenças finitas mostraram uma diferença relativa máxima de $3,05 \times 10^{-5}$ entre o gradiente adjunto e as aproximações numéricas.
Sensibilidade de Grade: Aumentar a grade de quadratura espacial de $40 \times 26$ para $120 \times 78$ alterou a perda territorial em apenas 0,135%, confirmando que o resultado não é um artefato de uma discretização grosseira.
*. Robustez de Múltiplos Começos: Diferentes inicializações (estática, linear, aleatória) convergiram para soluções com um desvio relativo de apenas 0,043% no objetivo final.

Experimentos de Prioridade

Os autores testaram a responsividade do modelo aos pesos táticos variando o vetor de prioridade:

Prioridade em Pressão: Reduziu ainda mais a perda de pressão (0,0234) com mudança mínima no esforço.
Prioridade em Defesa: Reduziu a perda defensiva e o esforço de movimentação (a velocidade RMS caiu de 1,888 para 1,630 m/s), mas aumentou a perda de pressão (0,0548).
Estes resultados demonstram que o solucionador produz compensações coerentes e interpretáveis baseadas nos pesos especificados, em vez de comportamentos pré-programados.

5. Significância e Alegações

O artigo posiciona-se como um framework metodológico e computacional, em vez de um sistema de previsão de partidas validado.

Preenchendo a Lacuna: Este trabalho fecha a lacuna entre formular problemas de controle ótimo para o futebol e realmente resolvê-los para gerar trajetórias. Ele conecta indicadores táticos abstratos a um solucionador numérico verificado.
Reprodutibilidade: Ao fornecer dados sintéticos e código, os autores estabelecem uma base reprodutível para futuras calibrações com dados reais de rastreamento.
Limitações e Escopo: Os autores declaram explicitamente que o estudo atual utiliza dados sintéticos e não reivindica validade preditiva, benefícios de coaching causal ou desempenho em partidas profissionais. O modelo de movimento é de primeira ordem (ignorando aceleração e biomecânica), e o adversário é prescrito em vez de adaptativo.
Trabalhos Futuros: O artigo sugere que o próximo passo lógico é a calibração de pesos táticos e estados iniciais usando dados de rastreamento reais, seguido de extensões para modelos de movimento de segunda ordem e jogos diferenciais para adversários adaptativos.

Em resumo, este artigo fornece um framework matematicamente rigoroso, computacionalmente verificado e totalmente reprodutível para gerar trajetórias táticas ótimas no futebol, servindo como base para futuras análises táticas orientadas por dados.