El fútbol siempre se ha jugado en tres dimensiones, pero los datos de tracking no. Hasta ahora, la posición del balón se calculaba mediante homografía, un método que proyecta la posición en píxeles del balón sobre el plano del terreno de juego. Funciona perfectamente cuando el balón rueda por el césped. Pero en el momento en que se eleva, la homografía deja de funcionar: asume que el balón siempre está apoyado en el suelo, así que en cuanto está en el aire, no solo falla la altura, sino toda su posición.
Hemos cerrado esa brecha.
Esta nueva capacidad se apoya en todo lo que ya sabemos sobre nuestro sistema de Tracking y, sobre todo, en el hecho de que ha sido probado contra el estándar superior en tracking óptico.
¿Qué es?
Hemos desarrollado la Trayectoria 3D del Balón, un nuevo componente de nuestro pipeline de tracking. Hasta ahora, cuando el balón dejaba el suelo, no solo se desconocía su altura, sino que su posición x/y también era imprecisa, porque la homografía asume que todo lo que rastrea está sobre el terreno de juego.
Nuestro nuevo modelo corrige esto: estima las coordenadas reales x, y, z del balón de forma conjunta, dándonos una posición 3D precisa en cada frame, ya sea un pase raso, un balón largo, un duelo aéreo o un disparo que se entra por la escuadra.
¿Cómo funciona?
Nuestro enfoque se basa en un pipeline de deep learning de dos etapas, entrenado con imágenes de retransmisión. La primera etapa aprende a estimar la altura del balón a partir de las señales visuales y posicionales disponibles en cada secuencia de frames. La segunda etapa refina esa estimación a lo largo de toda la trayectoria, suavizando el ruido y corrigiendo teniendo en cuenta que un balón en vuelo sigue patrones físicamente coherentes de un frame a otro.
El resultado es una estimación continua, frame a frame, de la posición 3D real del balón: no solo cuando aterriza, sino durante todo su recorrido.
¿Qué posibilidades se abren?
Esto no es solo una columna nueva en una tabla. Cambia lo que podemos hacer con nuestros datos de tracking:
- Trayectorias 3D reales del balón. Por primera vez podemos reconstruir el recorrido completo del balón, en el suelo y en el aire, en lugar de asumir que siempre está a nivel del césped.
- Modelos más precisos en todo el ecosistema. Cualquier modelo que utilice la posición del balón como input gana precisión, empezando por nuestro modelo de Expected Goals (xG), donde conocer la altura real de un disparo o de un balón que bota mejora de forma significativa la estimación de la calidad de la ocasión.
- Mejor clasificación de pases. Los pases rasos, los balones elevados, los centros y los cambios de orientación se comportan de forma distinta en el aire. Los datos de altura nos permiten clasificar los tipos de pase con mucha más precisión, e identificar cambios de orientación largos de forma más fiable.
- Mejor tracking de jugadores fuera de cámara. La altura del balón alimenta a los modelos que infieren la posición de los jugadores cuando quedan fuera del encuadre. Una trayectoria del balón más precisa se traduce en una imagen más precisa de todo el terreno de juego, incluso donde no podemos verlo directamente.
- Nuevas lecturas tácticas y de balón parado. Duelos aéreos, saques de esquina, salida de balón del portero, balones largos por encima de la defensa: todo esto se vuelve medible de formas que no eran posibles solo con tracking en 2D.
En definitiva, esto abre una nueva dimensión de análisis, literalmente. Estamos empezando a explorar todo lo que hace posible, y en los próximos meses iremos compartiendo más.
