DATI OLTRE L’EVENT DATA: SKELETON/POSE E TRACKING 3D PER UN XG PIÙ “FISICO”

Nel calcio moderno l’Expected Goals (xG) nasce e vive storicamente su due famiglie di dati: event data (tipo di tiro, coordinate, assist, parte del corpo, situazione di gioco) e, più recentemente, tracking 2D (posizioni e velocità di giocatori e pallone).

Questo impianto è potente, ma ha un limite strutturale: descrive bene “dove” e “quando” accade un tiro, molto meno “come” viene eseguito. In diverse situazioni ad alta variabilità – un tiro in torsione, un colpo di testa in arretramento, una conclusione in equilibrio precario, un portiere sbilanciato – la postura reale dei corpi contiene informazione che non è riducibile a coordinate 2D o a etichette dell’evento.

Qui entra in gioco la nuova generazione di dati: skeleton/pose e tracking 3D. Con “skeleton 3D” si intende una rappresentazione del corpo tramite giunti (anche 17–30 keypoint) stimati nello spazio, da cui derivare angoli articolari, orientamento del busto, appoggi, apertura dell’anca, rotazione della spalla, allineamento piede–pallone.

Nel contesto sportivo questa informazione viene estratta da sistemi multi-camera (tipici delle soluzioni di tracking professionali) oppure da video broadcast tramite computer vision, usando detection, camera calibration e pose estimation, con successiva ricostruzione 3D quando possibile.

L’impatto sullo xG è già visibile in lavori recenti. Skor-xG (CVPR Workshops 2025) propone, per quanto dichiarato dagli autori, uno dei primi modelli che introduce skeleton 3D nell’xG: l’idea è semplice ma decisiva, perché integra al contesto “geometrico” del tiro un contesto “biomeccanico”, cioè la qualità esecutiva potenziale implicita nella postura.

In termini pratici, lo stesso punto di tiro può avere probabilità differenti se il giocatore calcia in equilibrio, con linea d’anca aperta e piede di appoggio stabile, oppure se è in allungo, in scivolata o con rotazione del busto che limita la precisione.

Analogamente, la postura del portiere (centro di massa, ampiezza della stance, timing di caricamento) può cambiare la difficoltà del gesto ben oltre la sola distanza dal goal.

Il tracking 3D non riguarda solo i corpi, ma l’intera scena. Datasets come SoccerNet-v3D (CVPR Workshops 2025) puntano a rendere più scalabile la comprensione 3D da broadcast replays, fornendo basi per ricostruire posizioni e geometrie in 3D anche quando non si dispone di impianti multi-camera dedicati.

Questo è un passaggio chiave: se la 3D scene understanding diventa più accessibile, anche le feature avanzate (angoli reali, distanze “vere”, traiettorie con profondità, occlusioni) diventano integrabili in pipeline di analisi.

Per analisi dati sportiva, il valore di skeleton/pose non si esaurisce nello shot.

Un filone parallelo mostra che feature 3D di postura possono migliorare anche la previsione di esiti in micro-eventi come il dribbling, suggerendo che la postura aggiunge informazione “nuova” rispetto alle variabili 2D classiche (posizione, velocità, pressione difensiva).

Questo rafforza un principio: la 3D pose non è un abbellimento, ma una sorgente che cattura intenzionalità e vincoli fisici del gesto.

Naturalmente, l’adozione industriale non è immediata.

La pose estimation in partita soffre di occlusioni (corpi sovrapposti), blur, cambi di camera e qualità video variabile; la ricostruzione 3D richiede calibrazione accurata e stabilità temporale.

La letteratura recente continua a evidenziare quanto siano critiche robustezza e tracking nel contesto sportivo dinamico.

Inoltre, l’uso di skeleton introduce scelte non banali: quali keypoint sono affidabili in broadcast?

Come si controllano bias tra stadi, regie e campionati?

Per chi opera nel gaming sportivo regolamentato e nelle funzioni di analisi, la direzione è chiara: modelli probabilistici “più fisici” possono migliorare calibrazione e stabilità, soprattutto su tiri rari o altamente contestuali, dove event data e 2D tracking tendono a “schiacciare” casi diversi nello stesso bucket.

Il percorso più razionale è iniziare con un R&D offline: validare qualità dei keypoint, costruire feature interpretabili (orientamento, equilibrio, stance del portiere), misurare guadagni su metriche probabilistiche (Brier/calibration) e introdurre monitoraggio del modello, perché la distribuzione delle pose cambia con telecamere, stili di gioco e qualità del dato.

La traiettoria di ricerca sta quindi spostando lo xG da una probabilità basata su geometria e contesto evento verso una probabilità che incorpora anche biomeccanica e scena 3D.

Con l’aumento di dataset e strumenti di tracking da broadcast, skeleton/pose 3D è destinata a diventare una delle estensioni più rilevanti per l’analisi moderna delle azioni decisive in area.