VAR ruiniert den Fußball nicht – schlechtes Engineering schon.

Ich saß in einer Bar in Bangalore, als das Tor von Luis Díaz aberkannt wurde.

Es war November 2023, Liverpool gegen Tottenham. Der Ball schlug im Netz ein, Anfield tobte, und dann – Stille. Die VAR-Prüfung. Das Standbild. Die Linie, gezogen von einem Pixel auf Díaz' Schulter zu einem Pixel am Schuh des letzten Verteidigers. Abseits. Nur war es das nicht. Die Premier League gab später zu, dass das Tor hätte zählen müssen. Ein „gravierender menschlicher Fehler", nannten sie es.

Der Typ neben mir – ein Softwareentwickler, nicht einmal Fußballfan – schaute auf den Bildschirm und sagte etwas, das mir im Kopf blieb: „Warum ziehen die Linien auf einem unscharfen Foto, als wäre es noch 2005?"

Er hatte recht. Und nicht nur bei dieser Entscheidung. Das gesamte VAR-Abseitssystem basiert auf einem physikalischen Fehler, der so fundamental ist, dass ich ehrlich überrascht bin, dass nicht mehr Ingenieure darüber aufgeschrien haben. Ich leite Veriprajna, wo wir Deep-Sensor-Fusion-Systeme bauen – die Art von Architektur, bei der man Daten aus mehreren Sensortypen zu einem einzigen Modell der Realität verschmilzt. Als ich anfing zu untersuchen, wie VAR unter der Haube tatsächlich funktioniert, fand ich kein System, das Feinschliff brauchte. Ich fand ein System, das nicht funktionieren kann – nicht wegen schlechter Software, sondern wegen schlechter Physik.

Das Abseitsproblem ist kein Softwarefehler. Es ist eine Messkrise, getarnt als Technologie-Erfolgsgeschichte.

Der Pixel-Trugschluss: Warum Kameras lügen, wo Spieler wirklich stehen

Was die meisten Menschen bei einem Videoframe nicht begreifen: Es ist kein Foto eines eingefrorenen Augenblicks. Es ist ein Verwischen.

Eine Übertragungskamera in der Premier League läuft mit 50 Bildern pro Sekunde. Das bedeutet, sie erfasst alle 20 Millisekunden ein Bild. Bei jeder Aufnahme ist der Verschluss etwa 10 Millisekunden lang geöffnet, um genug Licht einzulassen. In diesen 10 Millisekunden legt der Fuß eines sprintenden Spielers – der sich während einer Schussbewegung mit 20 Metern pro Sekunde bewegt – etwa 20 Zentimeter zurück. Das „Bild" dieses Fußes auf dem Sensor ist kein scharfer Punkt. Es ist eine Unschärfe, die sich über Dutzende Pixel erstreckt.

Und jetzt wird es absurd. Der VAR-Operator nimmt dieses unscharfe Bild, zoomt hinein, platziert ein Einzelpixel-Fadenkreuz auf das, was er für die „Vorderkante" der Zehe des Angreifers hält, und zieht eine Linie. Er wählt einen Punkt innerhalb einer Wahrscheinlichkeitsverteilung aus und nennt ihn Wahrheit.

Ein Übertragungsbild erfasst nicht, wo sich ein Spieler befindet. Es erfasst eine Wahrscheinlichkeitswolke, wo er sich in einem 10-Millisekunden-Fenster befunden haben könnte.

Doch das zeitliche Problem ist noch schlimmer als das räumliche. Ein professioneller Schuss – der Moment, in dem der Schuh den Ball trifft – dauert etwa 8 bis 12 Millisekunden. Bei 50 Bildern pro Sekunde erfasst die Kamera möglicherweise ein Bild vor dem Kontakt und das nächste, nachdem der Ball den Fuß bereits verlassen hat. Der eigentliche Moment des Schusses erscheint fast nie auf dem Bildschirm. Der Operator wählt das „nächstgelegene" Bild, aber „nächstgelegen" kann 10 Millisekunden Abweichung bedeuten. In diesen 10 Millisekunden haben sich Spieler, die sich mit einer kombinierten Relativgeschwindigkeit von 14 Metern pro Sekunde bewegen, um 14 Zentimeter verschoben.

Das System zieht also eine millimetergenaue Linie auf einem Bild, das physikalisch um eine Distanz veraltet ist, die zehnmal größer ist als die Marge, die es zu messen vorgibt. Das ist keine Messung. Das ist Theater.

Als ich die Zahlen selbst durchgerechnet habe

Ich habe dieses Projekt nicht begonnen, um den Fußball zu reparieren. Ich habe es begonnen, weil mich die Mathematik beleidigt hat.

Mein Team bei Veriprajna arbeitet an Sensorfusion – der Kombination von Daten aus Kameras, Beschleunigungssensoren, Gyroskopen und anderen Instrumenten zu einem einheitlichen Modell der physischen Realität. Wir tun das für industrielle Anwendungen, bei denen Präzision zählt. Als ich mir die VAR-Pipeline erstmals als technisches System ansah, erwartete ich, hinter der Kontroverse etwas Ausgeklügeltes zu finden. Vielleicht verstand die Öffentlichkeit die Toleranzen einfach nicht. Vielleicht waren die Fehlermargen akzeptabel.

Stattdessen fand ich ein System mit einer gesamten Unsicherheitszone von 30 bis 40 Zentimetern, das versucht, Entscheidungen auf Zentimeterebene zu treffen.

Ich setzte mich eines Abends hin und legte das Fehlerbudget auf einem Whiteboard dar. Zeitliche Quantisierung durch die Bildauswahl: ±10 Millisekunden, was bei 14 m/s Relativgeschwindigkeit ±14 cm Positionsunsicherheit ergibt. Bewegungsunschärfe während der Verschlussöffnung: weitere ±10 cm. Rolling-Shutter-Verzerrung bei CMOS-Sensoren – bei denen das Bild zeilenweise von oben nach unten ausgelesen wird, sodass ein sich schnell bewegendes Bein geometrisch verzerrt erscheint: nicht quantifiziert, aber real. Addiert man die pixelgenaue Unschärfe beim Platzieren eines Schlüsselpunkts auf einem verwischten Gliedmaß, ergibt sich ein Gesamtfehler, der jede Abseitsmarge unter etwa 40 Zentimetern in den Schatten stellt.

Ich erinnere mich, wie ich auf dieses Whiteboard starrte und dachte: Jede „knappe" Abseitsentscheidung der letzten fünf Jahre war ein Münzwurf, als Wissenschaft verkleidet.

Das war der Moment, in dem ich entschied: Wir musstendie vollständige technische Analyse schreiben. Nicht um über VAR zu klagen, sondern um zu zeigen, wie ein echtes Messsystem aussehen würde.

Warum kann man nicht einfach „bessere KI" auf denselben Kameras einsetzen?

Das ist die Frage, die ich am häufigsten höre, meist von Investoren und manchmal von anderen KI-Unternehmen. „Könnt ihr nicht einfach ein besseres Modell auf dem Übertragungssignal trainieren?"

Nein. Und der Grund offenbart ein tieferes Problem darin, wie die Sporttechnologie-Branche derzeit funktioniert.

Der Markt ist überflutet mit dem, was ich Wrapper-Lösungen nenne – Unternehmen, die ein Standard-Übertragungssignal nehmen, es durch ein fertiges Objekterkennungsmodell wie YOLO oder Mask R-CNN laufen lassen und Bounding Boxes oder Posenschätzungen ausgeben. Diese eignen sich gut für Fan-Engagement-Funktionen, Highlight-Reels, einfache Analysen. Sie sind grundlegend ungeeignet für die Spielleitung.

Ein Wrapper erbt die Einschränkungen seiner Eingabe. Wenn Ihre Eingabe ein 50fps-Übertragungssignal mit Bewegungsunschärfe, Rolling-Shutter-Artefakten und Objektivverzerrung ist, kann kein neuronales Netz – egal wie viele Parameter es hat – zeitliche Informationen wiederherstellen, die nie erfasst wurden. Man kann keine Physik halluzinieren. Die Daten sind einfach nicht vorhanden.

Das ist die Unterscheidung, die ich immer wieder zu treffen versuche, wenn Leute fragen, was „Deep AI" für uns bedeutet. Es bedeutet nicht ein tieferes neuronales Netz. Es bedeutet, tiefer in den Stack zu gehen – die Sensorebene zu kontrollieren, die Datenerfassungs-Pipeline, die Infrastruktur zur Zeitsynchronisation. Wir verarbeiten kein Video. Wir konstruieren die Bedingungen, unter denen Daten erfasst werden, damit die Eingabedaten tatsächlich in der Lage sind, die von uns benötigte Präzision zu unterstützen.

Man kann ein Messproblem nicht mit einem besseren Algorithmus lösen. Man löst es mit einem besseren Instrument.

Wie würde ein echtes System aussehen?

Also haben mein Team und ich eines entworfen. Keine Anpassung an VAR. Einen Ersatz für die gesamte Messarchitektur.

Die Kernerkenntnis ist trügerisch einfach: die Messung der Zeit von der Messung des Raums entkoppeln. Lassen Sie den Ball Ihnen sagen, wann der Schuss stattfand. Lassen Sie die Kameras Ihnen sagen, wo die Spieler standen. Und nutzen Sie Mathematik, um diese beiden Datenströme zu einer einzigen, präzisen Rekonstruktion der Realität zu verschmelzen.

Der Ball weiß, wann er getreten wird

Wir schlagen vor, eine 500-Hz-Inertialmesseinheit – einen Beschleunigungssensor und ein Gyroskop, die 500-mal pro Sekunde abtasten – im Zentrum des Spielballs einzubetten. Wenn ein Schuh auf den Ball trifft, registriert der Beschleunigungssensor einen massiven Anstieg der G-Kraft mit einer charakteristischen Wellenform: eine steile Anstiegszeit unter 2 Millisekunden, ein schneller Abfall, während der Ball den Fuß verlässt. Das unterscheidet sich von einem Aufprall (geringere Stärke, längerer Kontakt) oder einem Kopfball (weichere Kurve durch die Nachgiebigkeit des Schädels).

Durch die Analyse der spektralen Signatur des Aufpralls identifiziert das System den exakten Beginn der Balldeformation – den physischen Moment des „ersten Kontakts", wie ihn die Spielregeln definieren. Die Zeitstempelpräzision: ±1 Millisekunde. Vergleichen Sie das mit den ±10 Millisekunden der manuellen Bildauswahl.

Eine Sache, über die wir intern wochenlang gestritten haben: Der Sensor muss ±200g Beschleunigung verkraften. Ein professioneller Schuss erzeugt Kräfte, die einen handelsüblichen Beschleunigungssensor bei ±16g sofort sättigen würden, was die Daten kappen und die Wellenform zerstören würde. Der Sensor muss außerdem exakt im Schwerpunkt des Balls sitzen, aufgehängt an gespannten Fäden im Inneren der Blase, damit der Ball geradeaus fliegt. Bei jeder Abweichung hätte man einen gezinkten Würfel gebaut. Die technischen Anforderungen sind erheblich, aber lösbar – FIFAs eigene vernetzte Balltechnologie bei der Weltmeisterschaft 2022 hat bewiesen, dass das Konzept tragfähig ist.

Die Kameras sehen, wo sich jeder befindet

Für die räumliche Ebene ersetzen wir Übertragungskameras durch 12 bis 16 fest positionierte, kalibrierte Machine-Vision-Kameras, die mit 200 Bildern pro Sekunde und globalem Verschluss laufen.

Die Erhöhung der Bildrate ist enorm wichtig. Bei 200fps sinkt das Intervall zwischen den Bildern von 20 Millisekunden auf 5 Millisekunden. Der „blinde Fleck" – die maximale Distanz, die ein Spieler zwischen zwei Bildern zurücklegen kann – schrumpft von 28 Zentimetern auf 7 Zentimeter. Aber der größere Gewinn ist die Bewegungsunschärfe. Bei 200fps muss die Verschlusszeit 1/1000 Sekunde oder schneller sein. Die Unschärfe sinkt von 10–20 Zentimetern auf unter 1 Zentimeter. Spieler werden zu scharfen, messbaren Objekten statt zu Wahrscheinlichkeitswolken.

Auch globale Verschlüsse sind wichtig. Übertragungskameras verwenden Rolling Shutter, die das Bild zeilenweise auslesen. Ein sich schnell bewegendes Bein wird geometrisch verzerrt – gestreckt oder gestaucht, je nach Bewegungsrichtung relativ zur Auslesung. Global-Shutter-Sensoren belichten jedes Pixel gleichzeitig. Die Geometrie bleibt exakt so erhalten, wie sie im Moment der Belichtung existierte.

Und weil es sich um feste, kalibrierte Kameras mit überlappenden Sichtfeldern handelt, können wir die 3D-Position jedes Spielers mittels Multi-View-Stereogeometrie triangulieren. Wenn ein Körperteil aus einem Kamerawinkel verdeckt ist – blockiert von einem Verteidiger in einem überfüllten Strafraum –, ist es fast sicher aus einem anderen Winkel sichtbar. Unser System verwendet einen Abstimmungsmechanismus: sichtbare Schlüsselpunkte von unverdeckten Kameras tragen zur Rekonstruktion bei, verdeckte Ansichten werden verworfen. Ist ein Gelenk in allen Ansichten teilweise verborgen, erlauben biomechanische Einschränkungen (ein Schienbein verbindet sich mit einem Knie, das sich mit einer Hüfte verbindet) eine Ableitung mit einem berechneten Konfidenzintervall.

Wie verschmilzt man zwei unterschiedliche Sensoren zu einer Wahrheit?

Hier liegt die eigentliche Ingenieursarbeit, und ehrlich gesagt, hier sehe ich den tiefsten Beitrag von Veriprajna.

Sie haben Skeleton-Tracking-Daten bei 200 Hz und Ballaufprall-Daten bei 500 Hz. Der Schuss erfolgt beispielsweise beim Zeitstempel 1234 Millisekunden. Die nächstgelegenen Kamerabilder liegen bei 1230ms und 1235ms. Sie müssen wissen, wo sich die Zehe des Schützen exakt bei 1234ms befand. Sie können nicht einfach das nächstgelegene Bild wählen – das ist ein Fehler von 1 Millisekunde, was bei 14 m/s immer noch 1,4 Zentimeter ausmacht. Für ein System, das Sub-Zentimeter-Präzision beansprucht, ist das inakzeptabel.

Also interpolieren wir. Aber nicht mit einer geraden Linie – menschliche Bewegung ist kurvenförmig. Ein sprintendes Bein beschleunigt und verzögert im Laufe seines Schritts. Wir verwenden kubische Spline-Interpolation, die eine glatte Kurve durch die bekannten Datenpunkte konstruiert und dabei die Kontinuität von Geschwindigkeit und Beschleunigung wahrt. Das Ergebnis ist ein mathematisch erzeugter „virtueller Frame" – die rekonstruierte Position des Skeletts jedes Spielers exakt zur Millisekunde des Kontakts.

Vor der Interpolation lassen wir die Rohdaten des Trackings durch einen Unscented-Kalman-Filter laufen. Das ist ein mathematisches Framework, das für jedes Gelenk am Körper jedes Spielers ein Zustandsmodell führt – Position, Geschwindigkeit, Beschleunigung – und fortlaufend abgleicht, was die Physik vorhersagt, mit dem, was die Kameras beobachten. Wenn die Erkennung des neuronalen Netzes von Bild zu Bild um ein paar Zentimeter zittert (was sie immer tut), glättet der Filter das, indem er der Physik vertraut. Macht der Spieler eine plötzliche Richtungsänderung, erhöht der Filter das Vertrauen in die optische Messung. Das Ergebnis ist eine saubere, biomechanisch konsistente Trajektorie.

Die entscheidende architektonische Wahl: enge Kopplung gegenüber loser Kopplung. In einem lose gekoppelten System berechnen das visuelle System und die IMU jeweils unabhängig Positionen, die dann gemittelt werden. Einfach, aber fragil – wenn die Kameras einen Spieler für 50 Millisekunden hinter einer Mauer von Verteidigern verlieren, wird der Mittelwert bedeutungslos. In unserer eng gekoppelten Architektur fließen die Rohresiduen beider Sensordatenströme in einen einzigen Faktorgraph-Optimierer, der den wahrscheinlichsten Zustand löst, der alle Bedingungen gleichzeitig erfüllt. Selbst bei teilweiser Verdeckung führt das durch den Kalman-Filter etablierte kinematische Momentum die Schätzung mit hoher Konfidenz weiter, bis der visuelle Kontakt wiederhergestellt ist.

Wir messen keine Pixel. Wir rekonstruieren die Physik des Moments und lesen die Antwort aus dem Modell ab.

Für das vollständige mathematische Framework – die Zustandsgleichungen des Kalman-Filters, die Quaternion-Orientierungsschätzung, die Homographie-Transformationen – veröffentliche ich die vollständige technische Tiefenanalyse hier.

Was passiert mit dem Fehlerbudget?

Lassen Sie mich die beiden Systeme nebeneinanderstellen, denn der Kontrast ist krass.

Aktuelles VAR bei 50 Hz mit manueller Bildauswahl: zeitlicher Fehler von ±10ms, räumliche Unsicherheit von ±14cm allein durch die Bildauswahl, ±10cm durch Bewegungsunschärfe. Gesamte Unsicherheitszone: etwa 30 bis 40 Zentimeter.

Unsere Architektur – 200 Hz optisch, 500 Hz inertial, eng gekoppelte Fusion: die IMU legt den Schuss auf ±1ms genau fest. Die kubische Spline-Interpolation über eine 5ms-Kameralücke führt bei sanfter biologischer Bewegung zu einem Fehler im Sub-Millimeter-Bereich. Die verbleibende dominante Fehlerquelle ist die Genauigkeit der Schlüsselpunktplatzierung durch das neuronale Netz – etwa ±2 bis 3 Zentimeter. Gesamte Unsicherheitszone: etwa 2 bis 3 Zentimeter.

Das ist eine Verbesserung um eine Größenordnung. Entscheidungen, die zuvor „zu knapp, um sie zu treffen" waren – bei denen die Marge innerhalb des blinden Flecks des Systems lag – werden mathematisch eindeutig unterscheidbar.

„Aber das wäre unglaublich teuer"

Es würde tatsächlich echtes Geld kosten, ja. Sechzehn Hochgeschwindigkeitskameras, Edge-Computing-Cluster mit doppelten A100- oder H100-GPUs im Stadion-Serverraum, ein Glasfaser-PTP-Backbone für Zeitsynchronisation im Sub-Mikrosekunden-Bereich, mit IMU ausgestattete Spielbälle. Das ist kein Cloud-SaaS-Produkt, das man mit einem API-Schlüssel bereitstellt.

Aber lassen Sie mich die Kostenfrage neu formulieren. Die Premier League erwirtschaftet jährlich über £3 Milliarden an Übertragungseinnahmen. Eine einzige falsche Abseitsentscheidung kann einen Titelkampf entscheiden, einen Abstieg auslösen, der Hunderte Millionen an verlorenen Einnahmen bedeutet, und das Vertrauen eines globalen Publikums untergraben. Die Infrastruktur, die ich beschreibe, würde nur einen Bruchteil dessen kosten, was ein einziger großer Verein in einem Transferfenster ausgibt.

Der eigentliche Widerstand ist nicht die Kosten. Es ist institutionelle Trägheit. Die Fußballverbände haben VAR als fertiges Produkt gekauft. Zuzugeben, dass es eine grundlegende Neukonstruktion braucht – nicht nur bessere Operatoren oder großzügigere Toleranzlinien – würde bedeuten zuzugeben, dass das ursprüngliche Versprechen übertrieben war. Niemand will dieses Gespräch führen.

Die Leute fragen mich auch: Was passiert, wenn der Ballsensor mitten im Spiel ausfällt? Das System degradiert kontrolliert in den reinen Optik-Modus. Bei 200fps steigt die Fehlermarge auf etwa 7 Zentimeter – immer noch dramatisch besser als der aktuelle blinde Fleck von 28 Zentimetern. Das Spiel wird ohne Unterbrechung fortgesetzt.

Und was ist mit dem „verschliffenen" Pass – einem Dribbling, bei dem der Fuß dauerhaften Kontakt mit dem Ball hält? Die IMU erkennt kontinuierliche Vibration statt eines scharfen Ausschlags, und das System schaltet die Logik um, um den Moment der Freigabe zu verfolgen, wenn die Vibration aufhört. Wir haben diese Grenzfälle durchdacht, weil sie diejenigen sind, die ein eingesetztes System tatsächlich zum Scheitern bringen würden.

Hierbei geht es eigentlich nicht um Abseits

Sobald man eine Sensorfusionsarchitektur mit diesem Grad an Genauigkeit gebaut hat, ist Abseits nur die erste Anwendung. Dieselben 3D-Skelettdaten und das hochfrequente Balltracking ermöglichen automatisierte Handspiel-Erkennung – die Modellierung der „natürlichen Silhouette" als volumetrische Grenze im 3D-Raum und die Erkennung von Armbewegungen in Richtung der Ballflugbahn, die über das hinausgehen, was die Rumpfrotation nahelegt. Dieselben Kalman-Geschwindigkeitsableitungen, die die Spielerposition verfolgen, können die exakte G-Kraft jedes Schritts und jedes Abbremsvorgangs berechnen und die kumulativen Knie-Belastungen kennzeichnen, die einem Kreuzbandriss vorausgehen, bevor er passiert.

Das Stadion wird zu einem digitalisierten Physiklabor. Und der Sport wird zum ersten Mal wirklich messbar.

Das Uncanny Valley der Schiedsrichtertechnologie

Es gibt ein Konzept aus der Robotik namens Uncanny Valley – der Punkt, an dem etwas fast menschenähnlich genug ist, um überzeugend zu wirken, aber gerade daneben liegt, um zutiefst verstörend zu sein. VAR lebt im Uncanny Valley der Messtechnologie. Es ist präzise genug, um uns glauben zu lassen, es erfasse die Wahrheit, aber ungenau genug, um regelmäßig danebenzuliegen. Diese Lücke – zwischen dem Anschein von Gewissheit und der Realität der Unsicherheit – ist es, die Fans zur Verzweiflung treibt.

Die Leute, die sagen „VAR ruiniert das Spiel", sind nicht einfach nur emotional. Sie reagieren auf ein reales Phänomen: ein System, das Vermutungen als Fakten präsentiert. Die pixelgenauen Linien, die Standbilder, die klinischen Grafiken – sie alle projizieren eine Autorität, die die zugrunde liegende Physik nicht stützen kann.

Die Lösung besteht nicht darin, zurückzugehen. Niemand will zu den Tagen zurückkehren, an denen ein Blick des Linienrichters im Bruchteil einer Sekunde ein WM-Halbfinale entschied. Die Lösung besteht darin, tiefer zu gehen. Aufzuhören, Pixel zu messen, und anzufangen, Physik zu messen. Instrumente zu bauen, die den Ansprüchen gerecht werden, die wir erheben.

Der Fußball braucht nicht weniger Technologie. Er braucht Technologie, die die Physik des Sports respektiert, den sie zu regeln versucht.

Wir brauchen keine großzügigeren Toleranzlinien oder nachsichtigere Protokolle. Wir brauchen ein System, das tatsächlich erfasst, was geschehen ist – mit Sensoren, die schnell genug, präzise genug und eng genug fusioniert sind, um die Wahrheit eines Moments zu rekonstruieren, der 8 Millisekunden dauert und über alles entscheidet.

Das ist es, was wir bauen. Nicht weil wir glauben, dass Technologie die menschliche Urteilsfähigkeit im Fußball ersetzen sollte. Sondern weil, wenn Technologie tatsächlich eingreift, sollte sie zumindest richtig liegen.