Estimer la vitesse d'un tir à partir d'un capteur porté sur la jambe consiste à transformer un signal de mouvement en une valeur physique : une vitesse exprimée en mètres par seconde.
Pour comprendre comment cela fonctionne, il faut d'abord rappeler le principe d'une intelligence artificielle supervisée. On lui fournit de nombreux exemples pour lesquels on connaît à la fois les données d'entrée et la bonne réponse attendue. Le modèle apprend ensuite à reconnaître les relations entre les deux.
Dans notre cas, l'entrée est un signal de mouvement mesuré par le capteur, et la réponse attendue est une vitesse de tir connue. Après entraînement, le modèle peut recevoir un nouveau signal de frappe et produire une estimation de vitesse.
Comment une IA apprend à estimer une valeur
Une IA de ce type ne contient pas une règle écrite à la main du type "si le mouvement est fort, alors la vitesse est de X". Elle apprend à partir d'exemples.
Pendant l'entraînement, le modèle compare ses prédictions aux vitesses de référence. Lorsqu'il se trompe, ses paramètres internes sont ajustés pour réduire progressivement l'erreur. Répété sur un grand nombre d'exemples, ce processus permet au modèle d'apprendre quels motifs du signal sont généralement associés à des tirs plus ou moins rapides.
La qualité de l'estimation dépend donc beaucoup de la qualité des exemples utilisés. Plus les annotations sont fiables, variées et représentatives, plus le modèle a de chances de bien généraliser sur de nouvelles frappes.
Le signal reste l'information principale
Le capteur Footbar mesure les mouvements de la jambe pendant la séance. Lorsqu'une frappe est détectée, le modèle récupère une fenêtre de signal autour de l'action.
Cette fenêtre contient les variations de mouvement liées au tir : accélération, intensité du geste, forme du signal autour de l'impact. C'est cette information qui permet au modèle d'apprendre la relation entre un mouvement de jambe et une vitesse de frappe.
Pour cela, il faut des annotations qualifiées : des exemples pour lesquels on connaît à la fois le signal capteur et la vitesse de référence. Ces annotations servent à entraîner le modèle et à vérifier sa performance.
Pourquoi ajouter l'âge estimé ?
Les données qualifiées sont plus nombreuses chez les joueurs plus âgés que chez les très jeunes catégories. Si l'on ignore complètement ce déséquilibre, le modèle peut avoir tendance à projeter certains jeunes joueurs sur une échelle trop proche de celle des adolescents plus âgés ou des adultes.
Nous utilisons donc l'âge estimé de la session comme variable de contexte.
En simplifié : signal du tir + âge estimé de la session = vitesse de tir estimée.
L'âge n'est pas une règle fixe. Deux joueurs du même âge peuvent frapper à des vitesses très différentes. Le signal reste central, mais l'âge permet de mieux calibrer l'ordre de grandeur de la prédiction.
Le choix du modèle
Une option aurait été d'entraîner un modèle différent pour chaque catégorie d'âge. En pratique, ce choix aurait été fragile, car nous n'avons pas encore assez de données qualifiées pour chaque tranche, en particulier chez les plus jeunes.
Nous avons donc retenu une approche plus progressive :
- conserver un modèle de vitesse robuste basé sur le signal ;
- ajouter une calibration qui utilise l'âge estimé ;
- vérifier que cette calibration ne dégrade pas les performances sur les données historiques de test.
Cette architecture permet d'utiliser l'âge comme contexte, sans lui donner tout le poids de la prédiction.
Comment la vitesse finale est produite
En production, le modèle analyse une fenêtre principale de signal. Cette fenêtre est découpée en plusieurs sous-fenêtres, chacune produisant une estimation de vitesse. Les estimations sont ensuite moyennées.
Cette moyenne rend la prédiction plus stable : elle évite que le résultat dépende trop fortement du découpage exact autour du tir.
Le pipeline simplifié est donc :
Pipeline simplifié : fenêtre de signal → sous-fenêtres du tir → prédictions intermédiaires → moyenne → calibration avec l'âge estimé → vitesse finale.
Résultats observés
Le graphique ci-dessous montre la tendance observée des vitesses de tir estimées selon l'âge. La courbe principale représente la vitesse médiane : elle donne une lecture simple de l'ordre de grandeur attendu pour chaque âge.
Les zones colorées autour de cette courbe représentent la dispersion des tirs observés. La zone centrale regroupe les vitesses les plus fréquentes, tandis que la zone élargie montre une plage plus large de situations. Ces bandes ne sont pas des seuils normatifs : elles servent surtout à visualiser la variabilité naturelle entre joueurs et entre frappes.
On observe une progression globale avec l'âge, puis une stabilisation progressive chez les joueurs plus âgés. Cela correspond à l'objectif de la calibration : conserver l'information portée par le signal du tir, tout en évitant que les plus jeunes soient projetés trop haut sur l'échelle de vitesse.
Sur notre échantillon historique d'annotations mises de côté (non utilisées pour l'entraînement du modèle), le modèle obtient une erreur absolue moyenne de 2,19 m/s, avec un biais moyen de -0,18 m/s. Cela indique que la calibration conserve un comportement stable sur ces données de référence.
Limites
Cette approche dépend de la qualité de l'âge estimé. Si l'âge de la session est mal estimé, la calibration peut être moins pertinente.
Elle dépend aussi des données disponibles. Les jeunes catégories restent moins représentées en annotations qualifiées, et de nouvelles données permettront d'améliorer progressivement le modèle.
À terme, si nous disposons de beaucoup plus de tirs annotés sur l'ensemble des âges, il sera probablement possible d'entraîner un modèle unique capable d'apprendre directement ces différences de contexte. La calibration par âge est donc une solution pragmatique avec les données disponibles aujourd'hui, pas nécessairement une limite définitive de l'approche.
En résumé, la vitesse de tir Footbar est d'abord estimée à partir du signal de la jambe. L'âge estimé est ajouté comme contexte pour mieux calibrer la prédiction, sans remplacer l'information principale : le mouvement réel capté au moment de la frappe.
