Implémentation, évaluation et application de l'analyse du mouvement sans marqueur pour l'évaluation in situ des performances d'athlètes de haut niveau

Implementation, evaluation and application of markerless motion analysis for in situ performance assessment of elite athletes.

• Auteur / Autrice : Alexandre Schortgen
• Direction : Lionel Reveret
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le ; Soutenance le 04/06/2025
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble, Isère, France ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Jean Kuntzmann (Grenoble, Isère, France ; 2007-....)
• Jury : Président / Présidente : Tony Monnet
• Jury : Examinateurs / Examinatrices : Lionel Reveret, Richard Kulpa, Raphaël Dumas, Valerie Perrier, Pauline Maurice
• Jury : Rapporteurs / Rapporteuses : Tony Monnet, Richard Kulpa

Mots clés

Mots clés libres

Analyse de performance

Vision par ordinateur

Suivi de trajectoire multi-athlète

Biomécanique sans marqueurs

Cinématique Inverse

Estimation de force

Performance analysis

Computer Vision

Multiple-Athlete Tracking

Markerless biomechanics

Inverse Kinematics

Force estimation

Résumé

On distingue deux champs de l'analyse informatisée de vidéos dans le sport : l'analyse par annotation et l'analyse biomécanique. Pour l'analyse par annotation, la vision par ordinateur peut automatiser le suivi des trajectoires des athlètes, ce qui offre des perspectives pour l'étude de leur déplacements. Le principal défi consiste ici à faire le lien entre les éléments que la vision par ordinateur peut extraire des vidéos et des données de performance pertinentes pour les entraîneurs. Dans le domaine de la biomécanique, l'estimation de pose humaine est utilisée dans de nouveaux protocoles de capture de mouvement sans marqueur, mais leur précision et leur pertinence pour effectuer des calculs biomécaniques complexes restent discutées. L'estimation de pose sans marqueur comporte son lot de limitations inhérentes à la fois à la technologie et à la définition des modèles impliqués, lorsqu'il s'agit d'analyser des mouvements du corps entier. Des études évaluant ce problème au niveau de la cinématique inverse ont été réalisées, mais les effets sur la dynamique, en particulier lorsqu'il s'agit d'estimer les forces de contact du sol, sont moins abordés. L'objectif principal de la thèse est alors d'étudier les apports des algorithmes de vision par ordinateur en termes de précision et de faisabilité pour l'annotation automatique et la biomécanique, afin de déterminer dans quelle mesure la capture de mouvement sans marqueur peut permettre le développement d'indicateurs fiables pour l'analyse de la performance sportive in situ. Les contributions de ce travail sont triples : • Mise en œuvre d'algorithmes exploitant la vision par ordinateur pour l'analyse par annotation et l'analyse biomécanique des athlètes. • Évaluation de ces algorithmes en termes de précision pour assurer la pertinence des résultats fournis à aux experts terrains. • Application pratique de ces algorithmes sur le terrain pour apporter un accompagnement scientifique à la performance et constituer des jeux de données de référence. Une première étude exploite la détection d'objets et l'estimation de pose pour fournir un suivi automatisé des athlètes et déduire des indicateurs de performance par analyse de leurs trajectoires. Une attention particulière est portée à la possibilité d'applications sur le terrain, en réduisant le dispositif de capture à une unique caméra et en n'exigeant que peu d'interventions manuelles pour l'exécution des calculs. Appliquée à des combats de boxe en conditions réelles, la mise en œuvre du pipeline apporte des données sans précédent sur les placements et les déplacements tactiques des combattants en compétition. L'estimation de pose est ensuite utilisée comme méthode de capture de mouvement sans marqueur. Un algorithme de cinématique inverse est développé, en s'appuyant sur le logiciel de robotique Pinocchio. Ce nouveau processus de calcul nous permet de définir notre propre fonction de coût à optimiser dans le problème de la cinématique inverse et de présenter une nouvelle approche de résolution pour régulariser les défauts de la capture sans marqueur au niveau des angles articulaires. Cette méthode a été testée sur des séquences de saut (CMJ) capturées dans des conditions de laboratoire, en comparant la cinématique corps entier obtenue à partir de captures optoélectroniques et sans marqueur. Enfin, dans le prolongement de l'étude précédente, des calculs de dynamique inverse ont été implémentés dans notre outil d'analyse du mouvement et effectués pour estimer la résultante des forces de contact exercées sur les sujets au cours de leur CMJ. À partir des résultats cinématiques et dynamiques, des indicateurs de condition physique ont été récupérés et évalués par rapport aux mesures des plateformes de force. L'ensemble du système d'analyse du mouvement a été mis en œuvre sur le terrain pour le profilage athlétique à l'INSEP, ce qui permet un autre niveau d'évaluation, sur une population et avec un dispositif de capture plus spécifiques.

While video analysis in top-level sport has long been focused on notational analysis made possible by the manual annotation of raw footage, the recent development of deep learning computer vision (CV) algorithms has opened new perspectives in terms of both quality and quantity of data processed. Indeed, such algorithms offer the possibility to study the athlete and his performance in greater detail, automatically, non-invasively and in situ (in training or competition context). We can distinguish two scopes for comuterized video analysis in sports : notational analysis and biomechanical analysis. For notational analysis, CV can be applied to automate tracking of athletes representing a consequent potential for annotation automation and enabling subsequent studies such as time-motion analyses. The main challenge is to bridge the features that computer vision can extract from videos and information that is relevant for the coaching staff. In the field of biomechanics, human pose estimation (HPE) is being used as a building block of new markerless motion capture pipelines, but their accuracy and relevance for processing complex biomechanical computations are still being discussed. Markerless pose estimation carries its share of limitations inherent both to technology and to the definition of the models involved, especially when processing whole-body motion analysis. Evaluation studies assessing this issue for inverse kinematics level have been carried out but the effects on dynamics, especially when trying to estimate ground contact forces, are less adressed. The main objective of the thesis is then to investigate the outlines of CV models in terms of accuracy and feasibility for the automatic annotation and biomechanics, aiming to determine the extent to which markerless motion capture can enable the development of reliable indicators for in situ sport performance analysis. The contributions of this work are threefold: • Implementation of algorithms leveraging CV for both notational and biomechanical analysis of athletes. • Evaluation of these algorithms in terms of accuracy to ensure the relevance of the results provided to the coaching staff. • Practical on-field application to bring scientific support for performance and constitute reference datasets. A first study operates object detection and pose estimation to provide automated tracking of athletes and derive performance indicators through time-motion analysis. A focus is made on ensuring that on-field applications are possible, by reducing the capture setup to a single camera and requiring few to no manual intervention to run the calculations. When applied to actual boxing bouts, the implementation of the pipeline brings unprecedented data about tactical placement and displacement of fighters during competition. Secondly, the pose estimation is employed as a markerless motion capture method. An algorithm for solving inverse kinematics is developed, building upon the robotics framework Pinocchio. This new computational workflow enables us to define our own cost function to be optimized in the inverse kine matics problem, and to present a new solving approach for regularizing markerless defects at the joint configuration level. This method was then tested on Counter Movement Jump (CMJ) sequences captured in laboratory conditions, by comparing full-body kinematics obtained from markerbased and markerless captures. Finally, as a follow-up of the previous study, inverse dynamics calculations were implemented in our motion analysis pipeline and performed to estimate the resultant of the contact forces exerted on the subjects during their CMJ. From both kinematics and dynamics results, strength-conditioning indicators were retrieved and evaluated against force plates measurements. The entire motion analysis pipeline was implemented on-field for athletic profiling at INSEP, allowing us to provide another level of evaluation, on a more specific population and capture setup.