Thèse: Instrumentation de la mêlée au rugby pour la mesure simultanée des forces de poussée individuelles en conditions réelles

Résumé

La mêlée constitue l’une des phases les plus emblématiques et les plus exigeantes du rugby à XV. Opposant huit joueurs de chaque équipe, elle représente à la fois un enjeu tactique majeur et un contexte biomécanique complexe, caractérisé par des niveaux d’efforts élevés et un risque accru de blessures graves. Cette phase présente ainsi un double enjeu de performance et de santé, nécessitant des outils capables de caractériser finement les efforts développés par les joueurs. Pourtant, les études existantes sont souvent datées et fournissent généralement des mesures globales, obtenues dans des conditions éloignées de la réalité du terrain. C’est dans ce contexte que s’inscrit cette thèse, menée en collaboration avec le Stade Toulousain, dont l’objectif principal est de développer et valider un système d’instrumentation embarqué permettant d’estimer simultanément les forces de poussée individuelles tridimensionnelle (3D) de chacun des huit joueurs d’un pack, dans des conditions réelles de mêlée. L’attention a été portée sur les forces de réaction au sol (FRS) pour quantifier les efforts individuels de poussée. Parmi les solutions disponibles pour leur mesure sur le terrain, les semelles instrumentées ont été identifiées comme les plus adaptées aux contraintes imposées par le contexte de cette thèse. Toutefois, ces capteurs mesurent uniquement les forces perpendiculaires à leur surface et présentent un biais de surestimation lorsqu’ils sont fortement fléchis dans la chaussure, comme c’est le cas en mêlée. Une approche par Machine Learning (ML) a donc été adoptée pour corriger ce biais et estimer les trois composantes des FRS. Une preuve de concept a d’abord été établie sur un premier groupe de sujets, démontrant la faisabilité de l’estimation des forces tridimensionnelles de poussée avec des erreurs comparables à celles rapportées dans la littérature pour la marche et la course. Une étude comparative de plusieurs architectures ML (Multi-Layer Perceptron (MLP), Long-Short-Term-Memory (LSTM), Random Forest (RF)) et de différentes stratégies d’entraînement a ensuite été menée en incluant des joueurs espoirs du Stade Toulousain. Un modèle MLP personnalisé entraîné sur les données de ces joueurs a atteint les meilleures performances, avec des erreurs normalisées au poids corporel inférieures à 8,5% sur l’ensemble des axes, y compris lors des phases critiques telles que le repositionnement des pieds. En étendant l’entraînement aux deux groupes de sujets, la généralisation du modèle a été améliorée sans perte de performance importante. À l’issue de cette étude, deux modèles opérationnels, un générique et un personnalisé, ont été fournis et sont directement applicables aux joueurs du Stade Toulousain. Ces modèles ont ensuite été déployés lors de trois sessions expérimentales sur le terrain, en conditions réelles de mêlée, permettant une analyse des forces de poussée selon trois niveaux : collectif, individuel et intra-individuel. Les résultats illustrent le potentiel de cet outil pour le suivi de la performance et la préservation de l’intégrité physique des joueurs en contexte professionnel. En définitive, cette thèse propose un cadre méthodologique complet et validé pour la mesure synchronisée et individualisée des forces de poussée en 3D lors de la mêlée de rugby en conditions réelles, combinant instrumentation embarquée et ML. Elle apporte ainsi de nouveaux éléments à l’analyse biomécanique de la mêlée et pose les bases de futurs développements, notamment l’intégration d’informations cinématiques individuelles pour une caractérisation encore plus complète des mécanismes de performance collective et individuelle en mêlée.