足球场上的黑科技：图神经网络优化角球

在高水平的体育比赛中，对手之间的差距往往不大，基于 AI 的比赛战术优化可能会起到关键作用。在英国，不少顶级的足球俱乐部不仅有专家和分析师团队为每场比赛设计战术，而且也使用了视频分析、时空模型、对策论、统计学习、神经网络等技术，用于捕捉赛场规律，预测制胜时机[1]。

前不久，《自然》杂志旗下的子刊《自然通讯》刊登了一篇论文[2]，介绍了如何通过图神经网络来分析足球中的角球战术，具体的角球战术分析包括：

• 预测角球发出后第一个接球的球员；

• 预测角球能否带来射门；

• 优化球门前队员的站位和跑动；

• 通过 embedding，精确地从过去的比赛中搜索出相似的角球。

基于上述的分析，足球教练可以比较不同球员的不同部署，并评估各种部署的可能结果。上述分析功能经过了英国利物浦足球俱乐部多位专业人员的评测，实用性和准确性都得到了验证。

这篇论文的作者来自于谷歌 DeepMind、英国利物浦足球俱乐部、以及加拿大阿尔伯塔大学。根据该论文的补充讨论[3]介绍，世界上尚未存在其它类似的基于图神经网络的足球角球战术分析模型。

为什么要分析角球战术呢？在足球赛场上，执行教练的既定战术往往受到球员的体力、球队在球场上的动态情况、对手情况、球场情况、甚至天气等多种因素的影响，教练既定战术的执行结果一般会有偏差。相对而言，足球中的角球、点球、任意球、边线球等机会则比较容易按战术计划排兵布阵。角球更容易产生射门机会，因此角球显得格外重要。角球因为发生的频率较高、位置比较固定、对于进球的影响容易评估等因素，进行角球数据分析也更容易一点。

这篇论文也指出，针对足球中的边线球等也可以采用论文中介绍的研究方法。

接下来是这篇论文的更多一些细节。

图数据结构

这篇论文使用了图数据结构来表示角球数据，其中：

• 图的顶点表示双方的球员（共有 22 个顶点），每个顶点包含球员的位置、跑动速度和方向、是否持球、身高、体重等属性；

• 每两个顶点之间都有边相连接，每条边可以包含一个逻辑型的属性，用来表示两个球员是否属于同一支球队；也可以将两个球员之间的距离添加到边的属性之中；

• 图的属性可以包括当前比赛时间、当前比赛分数、当前球的位置等等。

数据

有关模型所使用的数据包括：

• 近年来英超联赛视频中的角球部分；

• 伴随上述视频的标注数据，例如是否射门、是否得分等；

• 球员的身高、体重、角色数据；

• 其它有关比赛的数据，包括比赛的日期、比赛场馆的信息、以及比赛场地的长宽。

论文的代码

论文中的模型采用了图神经网络，同时结合使用了几何深度学习的方法，用以利用足球场地的对称性，解决数据稀疏的问题。基础的图神经网络库已经放在了 github 上，但是足球战术分析的代码没有公开。

模型的训练

论文中的图神经网络的层数不是很多。图神经网络模型的训练使用的是英伟达的 P100 GPU。

参考文献：

[1] Tuyls, K., Omidshafiei, S. et al. (2020). Game Plan: What AI can do for Football, and What Football can do for AI. https://arxiv.org/pdf/2011.09192.pdf

[2] Wang, Z., Veličković, P., Hennes, D. et al. (2024). TacticAI: an AI Assistant for Football Tactics. Nature Communications 15, 1906

[3] Wang, Z., Veličković, P., Hennes, D. et al. (2024). Supplementary Information for “TacticAI: an AI Assistant for Football Tactics”. https://static-content.springer.com/esm/art%3A10.1038%2Fs41467-024-45965-x/MediaObjects/41467_2024_45965_MOESM1_ESM.pdf

题图：Vienna Reyes、Unsplash