蒙特卡洛传球搜索：利用轨迹生成进行足球3D反事实传球评估

arXiv 2026 64.6 method, application

TLDR

蒙特卡洛传球搜索利用世界模型和价值模型，基于德甲真实数据评估反事实传球。

评分理由

The paper introduces a novel MCTS-like framework for pass evaluation, leveraging a world model for trajectory generation and a value model for scoring, with strong empirical validation on a real-world dataset. Weaknesses include domain adaptation from autonomous driving and limited generalizability beyond football.

Read-first 评分解释

综合优先阅读分 64.6，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 44。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：分析、基线、数据集、评估

引用影响力 18%

87.8

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.87751413

主题相关性 29%

62.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：检查点、代码、数据集

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：420。

关键词评分

world model

world simulator

world dynamics prediction

generative world model

model-based reinforcement learning world model

interactive world model

video world model

深度分析

创新点

将足球中的传球评估重新构建为使用轨迹生成的类蒙特卡洛树搜索（MCTS）评估问题。
蒙特卡洛传球搜索（MCPS）方法，推断踢球参数，采样执行变体和选项变体，并使用带球条件的世界模型进行前向推演。
分布感知的归因方法，使用两种互补的执行盈余分数（基于均值和基于百分位数）进行分析和排名。
将来自自动驾驶的离散令牌自回归轨迹生成器（SMART）适配到足球领域，以在有限的公开数据下实现样本高效的世界建模。

方法

该方法使用来自德甲的高保真3D跟踪数据集。对于每个观察到的传球，推断踢球参数，然后采样执行变体和选项变体。每个候选传球使用带球条件的世界模型（适配的SMART）进行前向推演，直到下一次球交互，并使用学习到的价值模型对结果进行评分，以获得价值增益的分布。计算执行盈余分数以实现分布感知的归因。

关键结果

适配的SMART世界模型在最佳20次预测准确率上相比基线取得了强劲表现。模型检查点和代码已发布。

局限性

用于训练世界模型的公开数据有限（仅来自德甲的一个高保真3D跟踪数据集）。
依赖现有组件（价值模型、世界模型、策略），这些组件本身可能存在固有局限性。
评估仅在单个联赛/数据集上进行，可能限制泛化能力。

技术栈

SMARTMCTSBundesliga 3D tracking dataset

资源

论文