Description du sujet de thèse

La performance sportive repose actuellement beaucoup sur l’analyse des données d’entraînement comme de compétitions. Pour cela, les sportifs se munissent de capteurs en tous genres, en particulier dans les sports « à machine », comme le cyclisme, où le vélo peut facilement être équipé de capteurs donnant accès à des grandeurs comme la position, la vitesse, la puissance développée. Cependant, pour un entraineur ou une équipe nationale, ces informations sont bien sûr limitées aux athlètes de l’équipe, les données des adversaires n’étant évidemment pas partagées lors des compétitions. Par ailleurs, le tracking vidéo, très utilisé dans de nombreux sports, donne quant à lui accès à des informations quel que soit l’athlète puisque les adversaires peuvent aussi bien être filmés que les athlètes de l’équipe. Cependant, le tracking vidéo en cyclisme sur piste n’est pas encore très répandu, en particulier parce que la scène sportive est très grande et de géométrie compliquée (non plane et surtout non connue a priori) ce qui rend complexe la calibration des caméras. Le premier système au monde de tracking des cyclistes a été lancé au vélodrome National de Saint Quentin en Yvelines (SQY) en octobre 2022. D’autres vélodromes ont le projet de s’équiper, mais l’installation de l’infrastructure hardware et le développement de la partie software demandent plusieurs mois. Aujourd’hui, il n’est pas possible d’avoir ce type d’informations sur un autre vélodrome. De plus, durant les JO2024, le COJOP Paris 2024 a pris entière possession du vélodrome et ce système de caméras a dû être éteint, ne laissant donc pas la possibilité d’acquérir les données jusqu’alors générées par ce système.

Ces considérations ont conduit la Fédération Française de cyclisme (FFC), dans le cadre du projet ANR THPCA (Très Haute Peformance en Cyclisme et Aviron – 2021-2024), à nous demander de mettre au point un système de détection « portable ». Nous avons donc développé en 2023-2024 un code Matlab permettant de détecter automatiquement et très précisément la position de cyclistes lors d’une compétition en vélodrome, à partir uniquement de deux vidéos prises en caméras fixes.
Ce système a déjà été utilisé avec succès pour analyser certaines performances des cyclistes français et étrangers lors des JO de Paris 2024. Dans la mesure où des grandeurs telles que la vitesse et même l’accélération des cyclistes sont nécessaires à ce genre d’analyses, il est essentiel que la position des cyclistes en fonction du temps soit déterminée avec la plus grande précision (voir figure ci-dessus, droite).

L’objectif du projet de thèse est à la fois d’améliorer le fonctionnement du code de tracking, d’inclure les acteurs de la FFC dans l’utilisation de ce code et enfin d’utiliser ce code pour travailler à une modélisation de certains paramètres physiques et tactiques des courses.

Pour démarrer, le doctorant devra apprendre à utiliser ce code complexe pour produire des trajectoires de cyclistes. En effet, les étapes de fonctionnement du code sont les suivantes :
• stabilisation des images,
• calibration des images par rapport au vélodrome et détermination de la géométrie de ce dernier,
• détection automatique d’un cycliste dans une image,
• localisation précise du cycliste sur la piste,
• identification des trajectoires de chaque cycliste.
Chaque étape demandera une compréhension fine des algorithmes qui sont derrière les lignes de code. Par ailleurs, l’algorithme utilisé pour détecter les cyclistes sur la piste n’utilise pas l’Intelligence Artificielle (IA). Son avantage est donc qu’il ne nécessite pas d’apprentissage, contrairement aux algorithmes basés sur l’IA. Cependant, les progrès actuels de l’IA et son utilisation en analyse d’images en font un outil naturel pour ce genre d’études. Il sera donc intéressant de comparer les performances de détection avec et sans IA. De plus, le cas de courses en peloton, actuellement non analysables par notre méthode à cause du trop grand nombre de cyclistes (une vingtaine), sera peut-être traitable avec l’IA. La première étape de la thèse consistera donc à proposer un modèle de détection des cyclistes basés sur l’IA, et de procéder ensuite à une comparaison exhaustive des performances d’un modèle par rapport à l’autre.

Une fois le système le plus performant possible (avec ou sans IA selon les résultats de l’étape précédente) mis en place et maîtrisé par le doctorant, un outil de calcul de la puissance développée par les athlètes sera créé. Cette dernière est en effet l’une des données très utilisées par les entraîneurs en cyclisme. Elle peut être mesurée par un capteur de puissance placé sur le vélo. Toutefois, une connaissance précise de la trajectoire suivie, couplée à une modélisation fine de l’évolution de l’énergie d’un athlète au cours d’une compétition [2], permet également d’accéder sans capteur embarqué à la puissance développée par l’athlète au cours du temps [3], donc aussi pour les adversaires.

Muni de l’ensemble de ces informations (trajectoire, vitesse, puissance), il sera alors possible d’analyser les courses filmées avec différents objectifs :

• la dépendance de la réduction de traînée d’un cycliste derrière un autre avec la distance entre eux et avec leur écart latéral. Cette problématique a été principalement étudiée en soufflerie [4], mais la réalité du terrain, avec les fluctuations inhérentes à une course en équipe, est certainement différente. Nous avons développé ces dernières années un projet à l’aide d’un capteur de distance placé sur le vélo des athlètes [5] mais qui ne peut pas être utilisé en course. La détection de la distance entre athlètes à partir de la vidéo et la corrélation de celle-ci avec les données de puissance fourniront des informations très utiles pour les choix tactiques et techniques à effectuer par les entraîneurs lors des épreuves par équipe (ordre des athlètes en poursuite par équipe, braquets en vitesse par équipe). Des séances de captation vidéo avec des athlètes de l’équipe de France seront effectuées pour compléter le jeu de données existant actuellement.
• L’analyse de stratégie de course, par exemple lors des compétitions de 200 m lancé ou de vitesse par équipe. La connaissance par la vidéo de l’évolution de la puissance au cours de la course permettra de mieux comparer les choix tactiques des Français et des adversaires, par exemple l’instant optimal pour démarrer le plongeon lors d’un 200 m lancé ou pour enclencher le dépassement de son coéquipier en vitesse par équipe.
• La mesure directe en compétition de la surface de traînée des cyclistes. Jusqu’à maintenant, les surfaces de traînée sont principalement mesurées en soufflerie. La connaissance de la puissance (par un capteur embarqué) combinée à celle de la trajectoire par la vidéo, permettra cette détermination directement en course. Ceci sera extrêmement utile pour détecter des positions non optimales sur le vélo ou l’évolution de l’aérodynamique au cours de la course. Des mesures complémentaires en soufflerie pourront facilement être envisagées en guise de comparaison avec les mêmes athlètes étudiés, dans le cadre d’une collaboration avec la soufflerie de l’Institut AéroTechnique, qui a été notre partenaire dans le projet THPCA et qui continue à l’être pour la FFC, étant situé à quelques kilomètres seulement de SQY.

Contexte de travail

La solidité de l’ensemble du projet sera assurée par plusieurs éléments. D’une part, il est construit dans la continuité du projet ANR THPCA, au cœur duquel ont été bâties à la fois des fondations scientifiques solides sur les expériences à mener et les modèles à utiliser pour mieux comprendre la physique des courses cyclistes mais aussi les fondations humaines, sous la forme d’un travail main dans la main avec les acteurs de la FFC. C’est ce qui a conduit à opter dans ce projet pour un co-encadrement avec Iris Sachet, sport scientist de la FFC depuis 4 ans. En effet, il nous semble essentiel de rattacher nos études à la réalité du terrain sportif et des questionnements des athlètes et de leur entourage. L’apport d’une personne en prise directe et quotidienne avec ces questionnements sera majeur. Emmanuel Brunet, référent scientifique de la FFC et notre interlocuteur principal au cours du projet THPCA, a aussi indiqué qu’il souhaite s’associer à ce projet. Pour l’étape concernant l’IA, nous bénéficierons de l’aide d’un collègue du Laboratoire de Physique de l’ENS de Lyon, spécialiste dans l’utilisation de l’IA pour l’analyse d’images, Julian Tachella (CR CNRS). L’essentiel du code de tracking existe déjà et fonctionne bien (voir l’exemple sur la figure de droite en page 1), ce qui permettra au doctorant de démarrer rapidement son travail.

Contraintes et risques

Confidentialité du projet vis-à-vis des Fédération Sportives étrangères.