プロサッカーにおける動的戦術フォーメーション認識のための深層学習

AIで試合を読み解く

観客が試合を見るとき、4-4-2や4-3-3といったフォーメーションの話をすることが多い。しかしピッチ上では、選手がスプリントし、プレスをかけ、戻るたびにそれらの形は絶えず曲がり、伸び、変容している。本論文は現代の人工知能がその常に変わるパターンをリアルタイムで追跡し、生の動きのデータを秒単位でチームの実際のプレーの詳細な図に変える方法を示している。

フォーメーションは単なる数以上のもの

チームのフォーメーションは、戦術ボード上の数字の並び以上のものだ。選手がどこに立ち、どう連動して動き、攻守をどう切り替えるかを組織する設計図である。従来の分析はコーチが映像を見てメモを取るという、遅く主観的なプロセスに頼っており、微妙な変化を捉えるのが苦手だった。以前のコンピュータ手法も通常は動作を静止したスナップショットに固定し、それぞれに単一のフォーメーションを割り当ててゲームの連続性を無視していた。そのため、選手がその場で役割を入れ替えたり、ラインが一斉に動いたり、素早いプレスから長期的な戦術調整まで異なる時間スケールで戦略が展開されたりする現代サッカーの重要な特徴を見逃していた。

生の動きから戦術的洞察へ

著者らは、これらの複雑な動きを追うために特化して構築された新しいAIモデル、Hierarchical Dual‑Stream Spatiotemporal Graph Transformer（HDS‑SGT）を提案する。入力として、エリートレベルのサッカーで一般的になったトラッキングデータを用いる：フィールドプレーヤー全員の二次元位置（秒間10サンプル）と、速度、加速度、チームメイト間の距離など位置から導出される情報だ。学習が始まる前にシステムはデータをクリーンアップし標準化する—チーム基準への再中心化、ノイズの平滑化、選手が密集しているか分散しているかを捉える特徴量の追加など。これにより、チームが深く守っているときでも高い位置でプレスしているときでも同じフォーメーションを認識できるようになる。

空間と時間を二通りに見る

HDS‑SGTは試合を二つの補完的なレンズで解析する。一つのストリームはチームをネットワークとして扱う：各選手が点となり、互いに影響を与えうるほど近い選手同士に接続が形成される。このグラフベースの視点は、コンパクトな守備ラインや中盤の三角形のようなパターンをモデルが学ぶのに役立つ。同時に、二つ目のストリームはチーム全体の形が長い時間の流れでどのように変化するかに焦点を当てる。全選手の動きをチームレベルの信号に圧縮し、翻訳用に開発された注意機構（アテンション）を使って、過去のどの瞬間が現在を理解する上で最も重要かを発見する。重要なのは、この第二のストリームが数秒の高速な変化から1分間に及ぶより遅い再編成まで、複数の時間スケールで同時に動作する点である。

背番号ではなく役割を追う

現代サッカーの特に難しい側面は、選手が頻繁に職務を入れ替えることだ：フルバックがウイングのように前へ上がり、中盤の選手が守備ラインに下がり、ストライカーが中盤でプレスをリードすることもある。背番号に結びついた固定ラベルではこの流動性に追いつけない。これに対処するため、モデルには動的役割割当モジュールが組み込まれている。特定の選手が常に例えば左サイドバックであると仮定する代わりに、選手の振る舞いに基づく柔軟な「役割テンプレート」を学習する。各時点で、各選手の現在の動きと位置をこれらのテンプレートと比較し、時間とともに滑らかに変化できる役割の混合を割り当てる。内蔵のペナルティは不自然に急な役割の飛びを抑制し、実際の戦術変更は通常数秒かけて展開するという事実を反映している。

実試合でモデルが達成したこと

研究者たちは複数の大会にわたる847試合、1,200時間以上の再生に相当するトラッキングデータでシステムを検証した。専門のコーチが詳細なラベルを提供し、使われているフォーメーションだけでなく、チームが形を変えつつある瞬間もマークした。古典的統計モデルから最新の深層学習アーキテクチャに至る多様な既存手法と比較して、HDS‑SGTはかなり高い精度を示した。約95%の時間フレームでフォーメーションを正しく特定し、戦術的な変化も高いF1スコアで検出した。これらの改善は、珍しいあるいは変則的なフォーメーションや、多くの選手が同時にポジションを変える複雑な場面で特に顕著だった。重要な点として、学習後は標準的なグラフィックスカード上でライブプレーに追いつくのに十分な速さで動作し、秒間20フレーム以上のトラッキングデータを解析できる。

研究室の道具からサイドラインの支援へ

素人にとっての主要な結論は、この研究が「形」という曖昧な概念をコンピュータがリアルタイムで追えるものに変えたことだ。選手間の関係を捉えるネットワーク的視点、戦術が時間とともに展開する様子を捉える多重スケールの視点、そして柔軟な選手役割の概念を組み合わせることで、システムはチームがどのフォーメーションを使っているかだけでなく、そのフォーメーションが変わり始めている瞬間も検出できる。本研究はエリートのトラッキングデータと特定のハードウェアに焦点を当てているが、このアプローチは将来、コーチ、アナリスト、さらには放送関係者を支援するツールへの道筋を示している—試合の表面下で進行している隠れた戦術的物語に対して、ライブで客観的な洞察を提供する可能性がある。

引用: Wang, Y., ShangGuan, Q., Chen, G. et al. Deep learning for dynamic tactical formation recognition in professional football. Sci Rep 16, 13846 (2026). https://doi.org/10.1038/s41598-026-41383-9

キーワード: サッカータクティクス, フォーメーション分析, スポーツアナリティクス, 深層学習, 選手トラッキングデータ