perf400-esn-lille-ssii-grenoble-paris-lyon-nantes-bordeaux-hardis-group

Performance 400 est un projet Hardis Group, mené par deux développeurs, alternants de l’IMT Atlantique, au sein de notre agence de Nantes, pendant 6 mois soit 200 jours de charge.

Ce projet a eu lieu dans le cadre du partenariat avec Agnès Raharolahy, athlète de l’équipe de France, spécialiste du 400 mètres et du relais 4×400 mètres, et son coach.

Notre problématique

Sur une distance, les coureurs peuvent facilement connaître leur temps final. Cependant, il est beaucoup plus difficile pour eux d’évaluer comment leur vitesse varie tout au long de la course. Tel est le problème que rencontre Agnès et son entraîneur. En effet, afin d’améliorer sa performance, Agnès souhaite (et surtout son coach !) repousser le point de rupture de l’accélération. En effet, lors d’une course, l’accélération de l’athlète doit être progressive et le point de rupture est atteint lorsque la vitesse commence à décroitre. On recherche à repousser ce moment le plus tard possible.

La réponse apportée

perf400-esn-lille-ssii-grenoble-paris-lyon-nantes-bordeaux-hardis-group

Pour visualiser cela, la meilleure solution est de produire un graphique de sa vitesse en tous points de sa course.

Afin de répondre à la problématique posée, nous avons d’abord fait une phase de recherche et d’analyse de l’existant.

La première idée à laquelle nous pensons est la solution du GPS, un bracelet connecté par exemple. Mais cette solution n’est pas assez précise pour des distances aussi courtes, en effet, la variation est assez fine sur ce type de distance. Une des contraintes, pour les athlètes de haut-niveau, est de bénéficier d’une solution sans avoir recours à un dispositif intrusif.

Suite à cette recherche, une solution a été identifiée pour suivre la course de l’athlète à l’aide de caméras.

Nous avons développé l’API en Python et en utilisant Flask, dans un premier temps. Celle-ci permet de faire tous les calculs (Moteur de calcul) :

  • De calibration (positionnement des caméras et repères dans l’espace)
  • De tracking de l’athlète,
  • De calcul de vitesse.

Nous avons sollicité un expert en modélisation 3D, chercheur à l’IMT Atlantique, pour le moteur de calculs. Une fois ces calculs compris et développer dans notre API nous avons fait plusieurs séries de tests, en simulation 3D et en réel. En parallèle, nous avons commencé le développement de l’application mobile. Celle-ci a été développé en Flutter.

Pendant la phase de développement nous avons fait de nombreux tests : d’abord à petite échelle afin de valider le moteur de calcul, puis sur une piste d’athlétisme afin de tester et ajuster notre solution.

perf400-esn-lille-ssii-grenoble-paris-lyon-nantes-bordeaux-hardis-group

Merci à nos collègues de s’être prêtés au jeu pour les tests !

L'aboutissement du projet

A petite échelle (une centaine de mètres) et avec deux caméras, notre moteur de calcul est capable de calculer une vitesse cohérente.

Cependant, lorsque nous faisons les tests sur piste, les calculs sont beaucoup moins précis.

Mais pourquoi? Il y a plusieurs raisons.

  • Les caméras introduisent de la distorsion dans les images. Elle est en partie corrigée lors des calibrations. Cependant elle peut impacter la qualité des calculs, car le sujet est plus loin de la caméra.
  • Nous faisons un tracking automatique du coureur. Cependant, chaque caméra a un angle de vue différent, il est donc très difficile de suivre exactement le même point sur le coureur pour toutes les caméras. Une solution aurait été d’augmenter le nombre de caméras autour du stade, mais cela ne répondait pas au cahier des charges car la solution devait être facilement mise en place.
  • Difficultés logistiques :
    • Le matériel doit être positionné à des endroits précis, ce qui demande du temps d’installation,
    • Les temps de traitements doivent être courts pour interpréter la course pendant l’entrainement (quasi en direct),
    • Le wifi embarqué dans la solution nécessite une configuration spécifique pour pouvoir assurer la communication entre le serveur et les caméras.

Et après ?

Malgré le fait que ce projet n’ait pas vu le jour, il a été bénéfique à plusieurs échelles.

Il nous a permis de travailler sur un sujet de recherche ce qui est différent par rapport à des projets de développement plus traditionnels.

A l’échelle d’Hardis Group, ce projet nous a apporté des connaissances en modélisation 3D et de suivi de mouvement, que nous allons pouvoir exploiter dans la réalisation de futurs projets.

lea-louesdon-esn-lille-ssii-grenoble-paris-lyon-nantes-bordeaux-hardis-group

Léa Louesdon

Développeur, Hardis Group, étudiante à l’IMT Atlantique

cyrille-fievet-esn-lille-ssii-grenoble-paris-lyon-nantes-bordeaux-hardis-group

Cyrille Fievet

Directeur de projet

SUR LE MÊME THÈME

banniere de fond article

Dans l’industrie, le business model de l’abonnement bouscule les systèmes d’information

Dans l’industrie, le business model de l'abonnement bouscule les systèmes d’information

5 idées reçues (ou non) sur les métiers de la production informatique

5 idées reçues (ou non) sur les métiers de la production informatique

banniere de fond article

L’IA au service des tests applicatifs, ou comment automatiser l’automatisation

L’IA au service des tests applicatifs, ou comment automatiser l’automatisation

Leave a Reply