Analyse du mouvement sportif : des vidéos de compétition aux interprétations guidées par les données

Comprendre le mouvement sportif est essentiel pour l'analyse de la performance et l'orientation de l'entraînement, et ce domaine connaît un essor croissant grâce aux avancées de l'intelligence artificielle (IA). Par ailleurs, les mouvements sportifs, en raison de leurs mécanismes physiques modélisables, servent d'exemples pertinents pour d'autres domaines liés au mouvement humain : prédiction de trajectoires piétonnes en conduite autonome, détection de comportements anormaux, diagnostic médical ou encore suivi de pose en jeux vidéo. Cependant, la nature opaque des modèles IA limite la compréhension de leurs décisions. Cette thèse vise à rapprocher l'analyse du mouvement sportif et l'IA explicable (XAI), en combinant puissance de modélisation et interprétabilité.Deux défis majeurs sont abordés : (1) le manque de jeux de données sportifs de qualité, car les vidéos de compétition sont souvent de faible résolution ou bruitées ; (2) le peu d'études sur l'interprétation des mouvements sportifs, avec peu de références existantes.Pour répondre à ces enjeux, le travail se concentre sur le saut en longueur, qui offre des vidéos de haut niveau relativement propres et des gestes biomécaniquement bien définis. Trois jeux de données ont été construits : des vidéos de triple saut olympique avec poses 2D et distances officielles ; des vidéos de championnats du monde avec poses et caractéristiques biomécaniques ; et des vidéos de haut niveau avec poses et distances de saut.L'étude porte sur deux niveaux d'extraction : (1) l'estimation des poses à partir des vidéos, améliorée par une méthode de post-correction utilisant des priors de pose modélisés comme Neural Distance Fields (NDF) en coordonnées polaires ; (2) l'estimation des caractéristiques biomécaniques, via une méthode sans données externes, basée sur la reconstruction de trajectoires à partir des poses.Deux approches interprétatives sont explorées. La première concerne les caractéristiques biomécaniques : un modèle de forêts aléatoires quantiles est entraîné, puis interprété avec SHAP, PDP et ICE. L'analyse confirme des résultats connus, mais ne capture pas les interactions complexes. Une nouvelle méthode est alors proposée pour estimer à la fois l'intensité, la localisation et la nature des interactions entre caractéristiques.La seconde approche concerne l'interprétation de séquences de poses. Des explications contrefactuelles sont générées à l'aide d'un autoencodeur parcimonieux pour analyser des modèles temporels complexes. Les résultats montrent des explications fiables et robustes, renforçant l'interprétabilité des analyses de mouvement à partir de vidéos.