Monte Carlo Pass Search: 축구에서의 3D 반사실적 패스 평가를 위한 궤적 생성 활용

우리는 축구에서의 패스 평가를 Monte Carlo Tree Search (MCTS)와 유사한 평가 문제로 재구성하였으며, 이 구성 요소들은 대부분 기존 문헌에서 다른 이름으로 존재합니다: 가치 모델 (possession value, 점유 가치), 월드 모델 (world model, 공과의 상호작용을 포함한 다중 에이전트 궤적), 그리고 반사실적 행동에 대한 정책 (policy over counterfactual actions, 노이즈를 통한 패스 변형 샘플링). Bundesliga의 3D 공 궤적을 포함한 최초의 공개 고충실도 (high-fidelity) 트래킹 데이터셋을 기반으로, 우리는 Monte Carlo Pass Search (MCPS)를 소개합니다. MCPS는 관찰된 각 패스에 대해 킥 파라미터 (kick parameters)를 추론하고, 실행 변형 (execution variants) 및 옵션 변형 (option variants)을 샘플링하며, 공 조건부 월드 모델 (ball-conditioned world model)을 사용하여 다음 공 상호작용이 일어날 때까지 각 후보를 전방으로 롤아웃 (rollout)하고, 학습된 가치 모델로 결과를 점수화하여 획득한 가치에 대한 분포를 얻습니다. 이 분포는 분석 및 순위 산정에 사용되는 두 가지 상호 보완적인 실행 잉여 (execution-surplus) 점수인 평균 기반 (mean-based) 점수와 백분위 기반 (percentile-based) 점수를 통해 분포 인식 귀속 (distribution-aware attribution)을 가능하게 합니다. 제한된 공개 데이터 하에서 월드 모델의 샘플 효율성 (sample-efficient)을 높이기 위해, 우리는 자율 주행 분야의 이산 토큰 자기회귀 궤적 생성기 (discrete-token, autoregressive trajectory generator, SMART)를 적응시켰으며, 이것이 베이스라인과 비교하여 강력한 best-of-20 예측 정확도를 생성하는 동시에 다운스트림 평가를 위한 완전한 가설적 롤아웃 (fully hypothetical rollouts)을 지원함을 보여줍니다. 우리는 모델 체크포인트와 코드를 공개했습니다.