スポーツ分析において、選手がピッチ上の任意の地点に間に合うかどうかを正確に判断することは、戦術判断やスペースコントロール、リアルタイム評価にとって重要である。本論文が扱うのは「到達時間（time-to-arrival, TTA）」であり、選手の現在の運動学的状態を前提として、ピッチ上の任意の位置に到達するために必要な最短の実現可能時間を指す。著者らは、位置密度推定や閉形式の物理モデルによってスペースの支配をモデル化するのではなく、TTAを条件付き分位点回帰問題として捉え、移動時間の低い分位点を推定することで、選手の到着時間の下側包絡を学習させる。
つまりモデルは、平均的な移動時間や最も起こりやすい時間ではなく、与えられた状態で移動を完了するために必要な時間分布の下限を捉えることを目指す。この定式化は、実際の試合における「実現可能性」の判断により適合する。選手は通常、自身の限界に近い動きをするため、最短の実現可能時間は平均到着時間よりも戦術的な意味が大きいからだ。著者らはPFF FCが提供する2022年FIFAワールドカップ全64試合の光学トラッキングデータで訓練し、軽量な多層パーセプトロン（MLP）を予測器として用いた。
評価では、MLPを文献にある6種類の選手運動モデルと比較した。これらのモデルはTTA予測器として再表現され、さらに学習された到達可能凸包ベースラインも加えられた。その結果、すべての評価指標においてMLPが物理ベースの各ベースラインを安定して上回った。これは、選手の運動の時間的下側包絡をデータから直接学習することが、手作業で設計された運動学的・物理的仮定に依存するよりも、実際の試合における運動実現可能性をよく捉えられることを示している。
学習された運動モデルの汎化性を検証するため、著者らはさらにバスケットボールのトラッキングデータとNFLの単一試合のトラッキングデータでも評価を行い、選手の運動ダイナミクスが異なるスポーツ間でどの程度転移するかを分析した。この種目横断的なテストは、モデルがサッカー固有のパターンだけでなく、人間の運動実現可能性に関する一般的な規則を学習しているかどうかを判断する助けとなる。プロジェクトのコードはGitHubで公開されており、今後の研究での再現や拡張が可能である。