技术统计擅长记录“碰过球”的动作：得分、传球、抢断。可是一个射手能不能在底角获得空位，往往取决于他三秒前是否借助了一次无球掩护，而这次掩护本身从头到尾都不会出现在数据表里。要让它被看见，就必须把分析对象从“球”转向“人与人之间的距离变化”。
先分清几种无球掩护
无球掩护并不是一个动作，至少有四种常见形态，它们在轨迹上的样子完全不同。
- 下掩护（down screen）：掩护人在低位或禁区边缘站定，射手从他身侧向外线弹出，防守者需要绕过掩护人才能追上。
- 横掩护（cross screen）：掩护人横向站在禁区内，帮助另一名球员从一侧切到另一侧，常用于低位要球。
- 反掩护（back screen）：掩护人在射手防守者的身后设置，使射手从防守者背后切向篮下。
- 拉开/弹出掩护（flare screen）：掩护人站在射手的内侧，射手向外侧弹开，防守者要么绕外侧，要么穿过掩护人内侧。
模型如果只用一个“掩护”标签，会把它们混在一起。所以在od体育篮球AI的处理思路里，掩护的类型是通过几个几何量来区分的：掩护人相对篮筐和射手的方位，射手运动的方向，以及防守者被拦截的位置。
“分离距离”：一次掩护创造了多少空间
衡量无球掩护的核心量，是分离距离（separation）：射手与他的直接防守者之间的距离，随时间变化的曲线。一个没有掩护的普通跑位，分离距离大致保持在防守者能追上的范围内，比如一到两米；一个有效的掩护，会在某个短暂的时间窗里让这个距离突然拉大，甚至超过两米以上。
下面用一个模拟示例说明这条曲线的读法：
| 时间（模拟示例） | 射手动作 | 射手与防守者距离 | 解读 |
|---|---|---|---|
| 0.0 秒 | 在底角慢速移动，防守者贴身 | 约 0.8 米 | 基线状态 |
| 0.8 秒 | 加速，向弧顶弹出，掩护人站定 | 约 0.9 米 | 掩护尚未生效 |
| 1.2 秒 | 擦过掩护人，防守者被挡 | 约 1.6 米 | 分离距离开始拉大 |
| 1.6 秒 | 接球前一步 | 约 2.3 米 | 获得空位窗口 |
| 2.0 秒 | 防守者从掩护人身后绕出，closeout | 约 1.2 米 | 空位窗口关闭 |
这里的分析重点不是“最大分离距离是多少”，而是分离窗口持续了多久，以及球是否在这段时间里传到了他手里。如果窗口存在 0.6 秒，而传球在窗口关闭之后才到，这次掩护的价值就没有兑现；这时问题在传球方的时机，而不是掩护本身。关于持球人如何在这样的窗口里做出选择，可以阅读《挡拆之后传球还是突破？od体育篮球AI如何分析持球人的下一步选择》。
防守者的路径：绕过、穿过还是换防
分离距离只是结果，原因在防守者的路径。面对无球掩护，防守者大致有三种选择：从掩护人身后绕出去追（绕后），从掩护人和射手之间挤过去（穿过），或者与掩护人的防守者换位（换防）。在轨迹上，三者的特征都很清楚：绕后的路径最长、最弯；穿过的路径最短，但常常与掩护人发生身体接触，速度会突然降低；换防则表现为盯防配对的对调。
这与有球挡拆的防守选择在判断逻辑上相通，关于配对翻转如何被识别，可参考《挡拆不是“两个人做一个动作”这么简单：od体育篮球AI如何识别掩护、换防和错位》。区别在于，无球掩护里被掩护的人不持球，防守者没有“堵持球人”的任务，所以在不同球队的体系里，防守者可能更倾向于换防，也可能更倾向于穿过，这需要用数据去看，不能凭印象。这类倾向本身就是有价值的统计：对手在无球掩护面前偏向哪一种，就意味着我们可以选择怎样的掩护角度。
诱饵价值：掩护没有直接空位，也可能有用
有些无球掩护并没有让射手拿到空位，却在其他地方创造了收益。防守者被牵制，弱侧的协防被迫收缩，另一侧的球员因此获得了突破空间。这类“诱饵价值”很难在单个球员的分离距离里体现，需要把整个防守方看成一个系统：掩护发生前后，防守方的站位有什么变化？防守凸包缩小了吗？某个区域的突破通道变宽了吗？这一点和空间分析直接相关，关于凸包与通道宽度的度量，可以阅读《防守站位差半步有多大区别？od体育AI如何量化篮球场上的空间》。
把这类价值算进去，对球队评估极其重要。一个球员每场做十次无球掩护，几乎不出现在得分和助攻里，如果只看常规数据，很容易被低估；而把“他的掩护使队友的平均分离距离增加了多少”作为指标，就能体现出他的贡献。当然，这类指标依赖于足够多的样本，也依赖队友本身的跑位能力，要谨慎解释。
为什么无球掩护比有球更难识别
无球场景的识别，比有球挡拆更容易出错，原因有三。第一，没有球作为“锚点”，模型很难判断哪两名球员是这次战术的核心，四五个人同时在移动。第二，掩护的时长很短，通常只有零点几秒的停顿，如果追踪频率不够高，这个停顿会被漏掉。公开资料提到，NBA 自 2023-24 赛季起使用的 Hawk-Eye 系统每秒记录 60 次球员与球的三维姿态，较早期约每秒 25 帧的系统细得多；而普通视频和手机拍摄的帧率、遮挡和机位都更受限。第三，无球掩护常常与假动作、交叉跑位混在一起，一个“擦身而过”和一个真正的掩护，在位置上几乎没有区别。
模型会看错的地方，以及怎么复核
- 把擦身而过当成掩护。两人路线交叉，却没有站定；模型只能靠速度下降和持续时间去区分，阈值稍宽就会误判。
- 漏掉短促的掩护。掩护人只停了半拍，追踪频率低或位置有噪声时，这个动作可能被平滑掉。
- 无法看到意图。射手是否本来就打算把防守者带到某个位置，再变向，位置数据不会告诉你。
- 多人重叠遮挡。视频输入下，三四名球员挤在禁区内时，关键点错配、编号交换的风险明显上升。
因此，od体育篮球AI 在给出一次无球掩护的价值评估时，更合适的做法是同时给出证据：那一段的分离距离曲线、防守者的路径、掩护人的站定时间，让教练在录像里对照，而不是只给一个分数。
教练与球员怎么用
对教练，这类分析的用途是找到“有效的掩护组合”：哪几名球员搭配的无球掩护，最常让射手获得超过某个长度的空位窗口；对手偏向用哪种方式应对，我们该如何设计后续的选择。对球员，则是更直接的反馈：掩护人的站定时间、角度，射手擦过掩护人的贴合程度，都会影响分离距离，这些细节在训练里可以反复练习。无球的价值不在球里，而在人与人之间被改变的距离里，这也是这篇文章想说明的核心。
