Identification des paramètres d’amélioration du départ de la BMX Race

Abstract

Ce projet de fin d’études s’inscrit dans le cadre des travaux multidisciplinaires menés conjointement par l'équipe IDD du laboratoire LIAS et l’équipe RoBioSS de l’Institut PPRIME et qui visent à améliorer les départs des pilotes de la BMX Race. L'équipe IDD est spécialisée dans le traitement de la donnée tant dis que l’équipe RoBioSS est spécialisée dans le domaine de la biomécanique. Elle propose une solution matérielle (capteurs Pédaliers, caméras, atelier d’essai pour les pilotes) afin de collecter les données liées au départ des pilotes élites de l’équipe de France. L’équipe RoBioSS propose des modèles biomécaniques pour représenter ces départs dans le but de les optimiser par la suite. Toutefois cette solution ne facilite pas l’identification des paramètres responsable de l’amélioration du départ et ce à cause de la complexité des modèles biomécaniques proposés. Afin de simplifier ses modèles et identifier que les paramètres pertinents impactant le départ de la BMX Race, l’institut PPRIME a fait appel au laboratoire LIAS et ce en travaillant sur de nouveaux modèles basés sur l’auto-apprentissage. L’apprentissage automatique est un procédé informatique qui vise à déduire un ensemble de règles à partir d'un jeu de données pour construire de nouvelles connaissances. Ce procédé a été appliqué avec succès dans de différents domaines, comme les systèmes d’analyse des anciennes ventes pour la prédiction du comportement du client et les prévisions météorologiques Ce projet vise à proposer un modèle simplifié mais prédictif de la performance en se basant sur des techniques d’apprentissage automatique. Le but de notre travail est d’étudier les données de départ fournies par l’équipe RoBioSS, concevoir une solution compatible avec ce type de données et tester les algorithmes sur ces mêmes données.