Des chercheurs de l’Université de Waterloo ont mis au point deux systèmes d’intelligence artificielle révolutionnaires capables d’analyser en profondeur les parties de hockey à partir de vidéos de diffusion, sans nécessiter d’équipement coûteux. Ces innovations, développées par des équipes spécialisées en vision par ordinateur et conception de systèmes, répondent à des défis persistants dans l’analyse vidéo sportive : les vues obstruées, le flou de mouvement ou les changements rapides de caméra. L’un des systèmes, baptisé PLUCC (Puck Localization Using Contextual Cues), a été conçu par Liam Salass, étudiant en maîtrise en génie à Waterloo. Il repose sur une observation clé : les joueurs fixent généralement leur regard sur le palet pendant le jeu. En analysant la position du corps et la direction du regard des joueurs, l’IA peut ainsi déduire avec précision où se trouve le palet, même lorsqu’il est invisible à l’écran. Ce modèle a amélioré la précision de détection du palet de 12 % et réduit de plus de 25 % les erreurs de localisation par rapport aux méthodes existantes. Cette avancée pourrait rendre l’analyse vidéo accessible aux équipes amateurs ou aux petites organisations qui ne peuvent pas se permettre des systèmes de suivi comme Hawk-Eye, coûtant des dizaines de milliers de dollars. « Notre objectif était de rendre le suivi du palet accessible sans million de dollars de matériel », affirme Liam Salass, auteur principal de l’étude. « Si un entraîneur peut analyser un match uniquement à partir d’une vidéo, c’est une véritable avancée pour l’équité dans l’analyse sportive. » Le deuxième système, appelé SportMamba, permet de suivre plusieurs joueurs simultanément, même dans les situations les plus complexes : bousculades près des bordures, affrontements devant le filet ou déplacements rapides. Grâce à un modèle basé sur des espaces d’état non linéaires, SportMamba anticipe dynamiquement les mouvements des joueurs, s’adaptant aux changements de caméra et aux obstacles visuels. Testé sur des vidéos de hockey, de football et de basketball, il a surpassé les méthodes existantes en précision et efficacité, avec une amélioration pouvant atteindre 18 %. « Suivre un joueur en attaque est relativement simple, mais identifier qui a dévié le palet dans une mêlée devant le filet, ou qui a marqué, est une autre histoire », explique le professeur John Zelek, spécialiste en génie de conception des systèmes. « SportMamba réussit justement ce genre de tâche difficile. » Ces travaux, intitulés « Ice Hockey Puck Localization Using Contextual Cues » et « SportMamba: Adaptive Non-Linear Multi-Object Tracking with State Space Models for Team Sports », ont été présentés lors des ateliers de la conférence 2025 IEEE/CVF sur la reconnaissance des formes et la vision par ordinateur, et publiés sur la plateforme arXiv. Ils marquent une étape importante vers une analyse sportive plus intelligente, plus accessible et plus riche en données, bénéficiant à entraîneurs, équipes et diffuseurs.