这篇发表于 arXiv 的论文《Learning Human Sports Motion Feasibility via Quantile Regression on Tracking Data》由 Marc Gutiérrez-Pérez 与 Antonio Agudo 撰写，投稿时间为 2026 年 10 月 26 日，归类于人工智能（cs.AI）方向，arXiv 编号为 2610.36183，DOI 为 10.48550/arXiv.2610.36183，论文附带 supplementary.pdf 补充材料，作者同时公开了项目代码仓库 https://github.com/mguti97/TTA-Quantile。
研究的核心对象是体育场景中的“到达时间”（time-to-arrival，简称 TTA），其定义是：给定球员当前的kinematic状态，该球员到达球场上任意位置所需的最短合理时间。作者没有采用位置密度估计来描述“空间控制权”，也没有使用闭式物理模型，而是把 TTA 建模为一个条件分位数回归问题，通过估计移动时间的低分位数，让模型学习球员的“下包络”到达时间。换言之，模型关注的是球员在现实中可能达到的最快到达速度，而不是平均意义上的移动时间。
在数据与实验设计上，作者使用 PFF FC 提供的 2022 年卡塔尔 FIFA 世界杯全部 64 场比赛的光学追踪数据训练模型。他们以一个轻量级多层感知机（MLP）作为主体模型，并将其与六种来自文献的球员运动模型（这些模型被重新表述为 TTA 预测器）以及一个可学习的“可达凸包”基线进行对比。作者表示，在各项评估指标上，该 MLP 始终优于所有基于物理的基线方法。
为了检验所学运动模型的泛化能力，作者还进一步在篮球追踪数据以及单场 NFL 追踪数据集上进行了评测，分析球员运动动力学在不同运动项目之间的可迁移性。这说明该工作不仅关注足球场景下的到达时间预测，也试图回答一个更普遍的问题：从一种运动的追踪数据中学到的运动能力模型，能否迁移到其他运动。
整体而言，该论文的主要贡献在于将 TTA 问题转化为分位数回归任务，用数据驱动的方式替代传统物理建模，并在世界杯级别的大规模追踪数据上验证了方法的有效性，同时初步探索了跨项目的迁移表现。论文的摘要还提供了音频摘要、HTML 实验版本以及 TeX 源码等访问方式，便于研究者复现与扩展。