🤖 AI

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

本文介绍了蒙特卡洛传球搜索（Monte Carlo Pass Search, MCPS），这是一个利用 3D 球体条件化世界模型和价值模型来模拟传球执行变体并评估其反事实结果的新型框架，从而能够利用高保真度的德甲追踪数据对足球传球进行分布感知的归因与排名。

原作者： Andrew Kang, Priya Narasimhan

发布于 2026-06-10

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Andrew Kang, Priya Narasimhan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在观看一场足球比赛。一名球员将球传给了队友。在过去，分析师会观察结果：队友接到了吗？得分了吗？如果是，这就是一次“好”的传球。如果不是，就是一次“坏”的传球。

但这篇文章认为，仅凭结果来评判一次传球，就像仅凭顾客是否吃掉了食物来评判一位厨师一样。这忽略了厨师是否做出了一件杰作却恰好被弄掉了，或者是否端出了一份虽然难吃但顾客还是吃下去的焦糊食物。

卡内基梅隆大学的 Andrew Kang 和 Priya Narasimhan 开发了一个名为 蒙特卡洛传球搜索 (Monte Carlo Pass Search, MCPS) 的新系统。你可以把它看作是足球传球的 “如果……会怎样”模拟器 (What-If Simulator)。

以下是它的工作原理，分为几个简单的部分：

1. 问题所在：“蝴蝶效应”式的足球

在足球比赛中，两次传球看起来可能完全一样，但结果却大相径庭。

传球 A： 一个完美、略带风险的传球，精准地击中了队友的脚部。结果很棒。
传球 B： 完全相同的传球，但队友稍微滑了一下。结果很糟。

传统的统计数据将它们视为不同的情况。而这个系统则在问：这次传球有多脆弱？ 如果球员踢得再用力 2%，或者向左偏 1 度，它还能成功吗？

2. 解决方案：运行一场“模拟竞赛”

MCPS 不仅仅观察一次传球，它为每一次踢球都运行数千个“如果……会怎样”的情景。这就像是一个视频游戏，不断地模拟接下来几秒钟的游戏过程，但每次都会加入微小的变化。

该系统有三个主要部分，就像一个专家团队：

“踢球侦探” (策略模型 - Policy Model)：
首先，它要弄清楚球员究竟是如何踢球的。由于摄像机并不完美，它使用数学方法来推测球的速度、旋转和角度。
- 类比： 想象一名侦探试图仅通过观察刹车痕迹来重建汽车撞击墙壁的过程。
“水晶球” (世界模型 - World Model)：
一旦知道了球是如何被踢出的，它就会预测接下来会发生什么。它会模拟其他球员如何奔跑、球会如何弹跳以及谁会接下来的触球。
- 类比： 这就像一名天气预报员，只不过她预测的不是降雨，而是球员的移动。它使用一种特殊的“标记 (token)”系统（类似于句子中的单词）来逐步预测未来，这有助于它在数据有限的情况下也能表现出色。
“计分员” (价值模型 - Value Model)：
在模拟完未来之后，它会问：“这次新的情景是否让球队离得分更近了一步？”它会给这个情景打分。
- 类比： 这就像一位教练在观看模拟过程并大喊：“好球！”或“那是失误！”

3. 两种类型的模拟

系统运行两种不同类型的“竞赛”来评估一名球员：

竞赛 1：“执行力”测试 (局部搜索 - Local Search)
系统采用完全相同的传球构想，但对踢球动作进行微调（踢得快一点，或者向左偏一点）。
- 目标： 观察传球是否具有脆弱性。如果一个小小的失误就会毁掉整个配合，那么这次传球就是冒险的。如果即使踢球稍有偏差，配合依然有效，那么这次传球就是稳健的。
- 结果： 这告诉我们一名球员是“靠运气”的踢球者，还是“高稳定性”的踢球者。
竞赛 2：“机会”测试 (全局搜索 - Global Search)
系统完全改变了传球的目的地。它会问：“球员是否可以把球传给另一个队友以获得更好的结果？”
- 目标： 观察球员是否做出了最佳选择。
- 结果： 这告诉我们一名球员是一个能看到最佳选项的“聪明”决策者。

4. 他们的发现

利用来自德国足球甲级联赛（顶级足球联赛）的真实数据，他们针对一场特定的比赛进行了测试。

他们发现，有些传球看起来很棒，但实际上非常“狭窄”——这意味着只有在一切都完美的情况下才能奏效。
他们发现，有些球员能持续做出稳健的（难以出错）传球，或者选择的方案远优于平均水平的其他替代方案。
他们证明了，即使只有很少量的公开数据（仅 7 场比赛），他们的“基于标记 (token-based)”模拟方法在预测球员移动方面也比现有的其他方法更准确。

总结

这篇论文不仅仅是在说“传球 X 是好的”。它是在说：

决策有多好？（他们是否选择了最好的队友？）
执行有多好？（他们是踢得完美，还是仅仅运气好？）
风险有多大？（一个微小的失误是否会毁掉整次配合？）

通过模拟成千上万个“如果……会怎样”的未来，他们将足球中的单一瞬间转化为丰富的可能性分布，帮助教练和球探理解一名球员传球的真正质量，而不只是看结果。

技术摘要：蒙特卡洛传球搜索 (Monte Carlo Pass Search, MCPS)

问题陈述

足球分析传统上依赖于专有数据集和点估计指标（例如预期威胁、预期传球），这些指标仅评估单一实现的结局。这种方法无法解构传球决策中的三个关键组成部分：

选项质量 (Option Quality)： 传球者是否选择了好的目标。
执行脆弱性 (Execution Fragility)： 所选选项是否具有狭窄的“成功窗口”（即对踢球参数的微小误差高度敏感）。
执行质量 (Execution Quality)： 实际的踢球动作是比该特定尝试的典型执行更好还是更差。

现有模型通常将传球视为确定性事件，或依赖于无法捕捉复杂比赛语境下无球移动的基于规则的物理模拟。缺乏公开、高保真 3D 追踪数据进一步阻碍了可重复、基于分布的评估框架的发展。

方法论：蒙特卡洛传球搜索 (MCPS)

作者将传球评估重新构建为一个类似于蒙特卡洛树搜索 (MCTS) 的问题，用学习到的生成模型取代了手工设计的模拟器。该框架在原始时空空间内运行，由三个核心组件组成：

1. 价值模型 (Possession Value, 控球价值)

一个基于 Transformer 的模型为任何比赛状态分配一个标量 控球价值 (PV)。

定义： $PV = P(\text{自我方在 10 秒内得分}) - P(\text{对手方在 10 秒内得分})$ 。
训练： 在追踪窗口上使用二元交叉熵头进行训练，以进球作为标签（通过加权预期进球数来缓解稀疏性问题）。
角色： 为评估模拟展开（rollouts）的结果提供奖励信号。

2. 世界模型 (World Model, 轨迹生成)

一个生成模型用于预测以候选球路为条件的短时程未来（球员和球的轨迹）。为了在有限的公开数据上实现样本效率，作者改编了来自自动驾驶领域的自回归离散标记模型 SMART。

架构： 一个使用离散标记的仅解码器（decoder-only）时空 Transformer。
- 标记 (Tokens)： 球员运动（10D 平面速度）和球运动（15D 3D 速度）通过 k-means 进行量化并构建词表。
- 条件约束： 模型基于 8 个历史标记进行条件约束，并预测 24 个展开（rollout）标记。
交互模块：
- 球员-触球 (Player-to-Touch)： 预测下一个触球的球员以及触球时间，采用生存分析风格的目标函数。
- 触球时球速 (Ball-at-Touch)： 使用对角高斯回归器预测触球后的球速。
展开 (Rollout)： 模型生成随机的多智能体未来，直到发生第一次有意义的球体交互（触碰、偏转或出界）。

3. 策略模型 (Policy Model, 传球变体搜索)

对于观察到的每一次传球，MCPS 利用结合物理模拟器的 CEM 式求解器推断踢球参数（初始 3D 速度和旋转）。随后，它构建两个反事实动作集：

局部搜索 (Local Search)： 通过对推断的踢球参数施加微小扰动来采样 256 个变体（模拟执行噪声）。
全局搜索 (Global Search)： 通过在相同的传球前状态下施加较大的扰动来采样 256 个变体，以探索替代的传球选项（不同的目标/方向）。

评估框架

每个候选传球（观察到的或反事实的）都会通过世界模型进行展开，并通过价值模型进行评分，从而获得增益控球价值 ( $\Delta PV$ ) 的分布。计算两种用于归因的分布感知指标：

平均差异盈余 ( $S_{mean}$ )： 观察到的传球的 $\Delta PV$ 与反事实集合的平均 $\Delta PV$ 之间的差异。
百分位数盈余 ( $S_{pct}$ )： 观察到的传球的 $\Delta PV$ 在反事实分布中的百分位排名。

核心贡献

轨迹条件展开评估： 一个能够生成以候选球轨迹为条件的多种多样短时程未来的框架，超越了点估计，实现了全分布建模。
双重蒙特卡洛搜索： 一种将执行敏感性（局部搜索）与选项集近似（全局搜索）分离的机制。
分布感知指标： 引入了 $S_{mean}$ 和 $S_{pct}$ 分数，允许对传球的鲁棒性和决策质量进行细致分析。
自回归模型的适配： 证明了基于离散标记的自回归轨迹生成器（改编自 SMART）在有限的公开足球数据上仍能实现强大的 Best-of-20 预测准确度，从而实现了完全假设性的展开。

结果

该框架在公开的德甲数据集（7 场比赛，25 Hz 追踪，3D 球坐标）上进行了评估。

轨迹预测： 改编后的 SMART 模型实现了 Best-of-20 minADE 为 2.4 且 minFDE 为 4.7，优于包括静态模型、恒定速度模型、朴素 Transformer 以及公开的 Sports-Traj 检查点（minADE 4.2）在内的基准模型。
球员-触球： 混合模型（轨迹 + 触球预测）实现了 0.605 的 Receiver Top-1 准确率。作者指出，由于目标函数不匹配（训练于首次触球危险，推理于假设未来）以及展开的不确定性，这是一个保守的下界。
案例研究（波鲁姆 vs. 勒沃库森）：
- 执行敏感性： 对 Florian Wirtz 某次传球的分析显示，即使在微小的局部扰动下， $\Delta PV$ 仍存在显著的离散度，这凸显了某些传球仅在近乎完美的执行下才具有价值。
- 球员排名： 通过对比赛中的指标进行聚合，可以根据以下维度对球员进行排名：
  - 局部搜索： 相对于执行难度的稳定性（高百分位数盈余表示执行的鲁棒性）。
  - 全局搜索： 系统性地选择高价值选项（高平均差异盈余表示选择了比平均替代方案更好的目标）。

意义与主张

本文声称建立了一个新的足球分析基准，通过利用公开的高保真数据，使该领域与更广泛的计算机视觉社区重新建立联系。

从点估计到分布： MCPS 明确地对传球的风险和脆弱性进行建模，区分了“好的决策配合糟糕的执行”与“糟糕的决策配合好的执行”。
因素解构： 通过分离局部（执行）和全局（选项）搜索，该框架提供了比现有指标更细粒度的球员表现视图。
公开数据的可行性： 本工作证明，通过利用改编自自动驾驶的、高效的基于标记的生成式建模技术，即使在较小的公开数据集（7 场比赛）上，实现高保真、基于分布的评估也是可行的。

作者承认存在局限性，包括训练数据规模较小、追踪同步中的潜在噪声以及搜索分布的简化。他们建议未来的工作应侧重于多交互时程、更好地建模罕见交互（如空中争顶）以及更真实的提议策略用于全局搜索。