這篇發表於 arXiv 的論文《Learning Human Sports Motion Feasibility via Quantile Regression on Tracking Data》由 Marc Gutiérrez-Pérez 與 Antonio Agudo 撰寫，投稿時間為 2026 年 10 月 26 日，歸類於人工智慧（cs.AI）方向，arXiv 編號為 2610.36183，DOI 為 10.48550/arXiv.2610.36183，論文附帶 supplementary.pdf 補充材料，作者同時公開了專案程式碼倉庫 https://github.com/mguti97/TTA-Quantile。
研究的核心物件是體育場景中的“到達時間”（time-to-arrival，簡稱 TTA），其定義是：給定球員當前的kinematic狀態，該球員到達球場上任意位置所需的最短合理時間。作者沒有采用位置密度估計來描述“空間控制權”，也沒有使用閉式物理模型，而是把 TTA 建模為一個條件分位數迴歸問題，透過估計移動時間的低分位數，讓模型學習球員的“下包絡”到達時間。換言之，模型關注的是球員在現實中可能達到的最快到達速度，而不是平均意義上的移動時間。
在資料與實驗設計上，作者使用 PFF FC 提供的 2022 年卡達 FIFA 世界盃全部 64 場比賽的光學追蹤資料訓練模型。他們以一個輕量級多層感知機（MLP）作為主體模型，並將其與六種來自文獻的球員運動模型（這些模型被重新表述為 TTA 預測器）以及一個可學習的“可達凸包”基線進行對比。作者表示，在各項評估指標上，該 MLP 始終優於所有基於物理的基線方法。
為了檢驗所學運動模型的泛化能力，作者還進一步在籃球追蹤資料以及單場 NFL 追蹤資料集上進行了評測，分析球員運動動力學在不同運動專案之間的可遷移性。這說明該工作不僅關注足球場景下的到達時間預測，也試圖回答一個更普遍的問題：從一種運動的追蹤資料中學到的運動能力模型，能否遷移到其他運動。
整體而言，該論文的主要貢獻在於將 TTA 問題轉化為分位數迴歸任務，用資料驅動的方式替代傳統物理建模，並在世界盃級別的大規模追蹤資料上驗證了方法的有效性，同時初步探索了跨專案的遷移表現。論文的摘要還提供了音訊摘要、HTML 實驗版本以及 TeX 原始碼等訪問方式，便於研究者復現與擴充套件。