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.

Abstract

The scrum is one of the most iconic and demanding phases of rugby union. Opposing eight players from each team, it represents both a major tactical challenge and a complex biomechanical context, characterized by high levels of physical effort and an increased risk of serious injury. This phase, therefore, carries a dual performance and health stake, requiring tools capable of finely characterizing the forces produced by players. Yet existing studies are often dated and generally provide global measurements obtained under conditions far from actual on-field scrummaging conditions. It is in this context that the present thesis was conducted, in collaboration with Stade Toulousain, with the primary objective of developing and validating an embedded instrumentation system enabling the simultaneous estimation of individual 3D pushing forces for each of the eight players in a pack, under real scrummaging conditions. Attention was focused on ground reaction forces (GRF) as the primary mechanical
quantity for quantifying individual pushing efforts. Among the available solutions for measuring GRF in field conditions, instrumented insoles were identified as the most suitable given the constraints imposed by the context of this thesis. However, these sensors only measure forces perpendicular to their surface and exhibit an overestimation bias when highly flexed inside the shoe, as is the case during scrummaging. A Machine Learning (ML) approach was therefore adopted to correct this bias and estimate all three components of the GRF. A proof of concept was first established on an initial group of subjects, demonstrating the feasibility of estimating three-dimensional (3D) pushing forces during scrummaging with errors comparable to those reported in the literature for walking and running. A comparative study of several ML architectures (Multi-Layer Perceptron (MLP), Long Short-Term Memory (LSTM), Random Forest (RF)) and training strategies was then conducted, including elite development players from Stade Toulousain. A personalized MLP model trained on data from these players achieved the best performance, with body-weight-normalized errors below 8.5% across all axes, including during critical phases such as foot repositioning. By extending the training dataset to both subject groups, model generalization was improved with no significant loss of performance. At the end of this study, two operational models, one generic and one personalized, were provided and are directly applicable to Stade Toulousain players. These models were then deployed during three experimental field sessions under real scrummaging conditions, enabling an analysis of pushing forces at three levels collective, individual, and intra-individual. The results illustrate the potential of this tool for performance monitoring and the preservation of players’ physical integrity in a professional context. In summary, this thesis proposes a comprehensive and validated methodological framework for the synchronized, individualized measurement of 3D pushing forces during rugby scrummaging under real conditions, combining embedded instrumentation and ML. It thereby contributes new elements to the biomechanical analysis of the scrum and opens the way for future developments, in particular the integration of individual kinematic information for an even more complete characterization of the mechanisms underlying collective and individual scrum performance.