English
Modélisation 3D du mouvement, capture optique et IA générative : vers une analyse gestuelle pilotable en rééducation
- Prof. Benoît Le Callennec
- Gestuelle et réalité virtuelle : définitions et cahier des charges clinique
- Animation 3D traditionnelle et limites pour le non-expert
- Capture de mouvement optique : précision et contraintes d’instrumentation
- IA générative et décorrélation des paramètres cinématiques
- Restitution en temps réel du mouvement au patient en rééducation
- Capture de mouvement par marqueurs réfléchissants et caméras infrarouges
- Analyse de la marche et de la course assistée par modélisation 3D
- IA générative et auto-encodeurs variationnels pour le pilotage du mouvement
- Retour visuel en temps réel pour la rééducation motrice
- Distinguer mesure du mouvement et restitution visuelle : deux fonctions complémentaires
- La précision sub-millimétrique reste aujourd’hui conditionnée à l’usage de marqueurs
- Le patient se reconnaît dans son propre mouvement : levier pédagogique pour la rééducation
- Outils encore limités à des gestes spécifiques et au cadre du laboratoire
Brochure d'information médicale
Découvrez notre brochure d’information à destination des patients.
Prof. Benoît Le Callennec, congrès Medicol, 2025
L’analyse instrumentée du mouvement quitte progressivement le champ exclusif du laboratoire de biomécanique pour devenir un outil de communication clinique entre le praticien et le patient. Cette intervention expose les trois exigences fondamentales d’un tel outil, à savoir la simplicité d’usage par des non-experts, la précision métrologique et la rapidité de restitution, puis montre pourquoi les approches historiques de l’animation 3D et de la capture de mouvement ne les satisfont qu’imparfaitement. L’apport décisif des méthodes d’intelligence artificielle (IA) générative réside dans la possibilité de décorréler des paramètres cinématiques jusque-là liés, par exemple la vitesse de course et la hauteur du genou, et de générer des mouvements plausibles au-delà des données mesurées. Pour le médecin référent qui adresse en rééducation ou qui suit un sportif, ces repères éclairent ce que ces technologies peuvent déjà apporter à l’évaluation gestuelle et ce qui relève encore de la recherche.
Gestuelle, réalité virtuelle et besoin clinique réel
La gestuelle se définit comme l’utilisation du mouvement pour transmettre une information, tandis que la réalité virtuelle recouvre toute simulation 3D interactive, définition si large qu’elle englobe trois décennies de jeux vidéo. L’enjeu pertinent pour la pratique n’est donc pas la 3D interactive en soi, mais la capacité à transmettre une information de mouvement de manière simple, précise et rapide, à destination des physiothérapeutes, des entraîneurs sportifs et des médecins. Ces trois critères constituent le véritable cahier des charges d’un outil utilisable en contexte clinique ou éducatif.
Ces exigences sont élevées et, fait notable, encore peu traitées dans la littérature scientifique. La simplicité suppose un usage par des non-experts en création d’animation 3D, ce qui exclut d’emblée les chaînes de production professionnelles. La précision impose une fidélité du geste reconstruit au mouvement réel, indispensable lorsqu’on cible le sport de haut niveau. La rapidité enfin écarte toute simulation dont le résultat ne serait disponible qu’après plusieurs jours, incompatible avec la restitution immédiate attendue auprès d’un athlète ou d’un patient. Aucune des approches historiques ne satisfait simultanément ces trois conditions.
L'animation 3D traditionnelle : précise mais inaccessible
L’animation 3D par ordinateur remonte aux années 1980, lorsque les concepts fondamentaux de l’animation 2D issus de Disney ont été transposés au calcul tridimensionnel. Les outils professionnels actuels, utilisés dans les grands studios, reposent sur un grand nombre de contrôleurs pilotant l’orientation et la translation de chaque membre, le visage à lui seul pouvant en mobiliser des centaines à plusieurs milliers. Cette richesse de contrôle fait des animateurs 3D des profils rares, à la fois techniquement et artistiquement experts, ce qui place ces outils très loin de l’objectif d’utilisabilité par des non-experts.
La rapidité fait également défaut, puisque ce mode de production ne génère qu’une à deux secondes d’animation à la fois, au prix d’un coût considérable. Les améliorations algorithmiques apparues depuis les années 1990, telles que la manipulation directe par glisser-déposer avec recalcul automatique de la pose sous contraintes, augmentent modestement la productivité sans changer la donne. La précision reste équivalente et l’outil demeure conçu pour l’animateur professionnel. Ajouter de la complexité à des systèmes déjà complexes éloigne donc de la cible plutôt que de l’en rapprocher.
La capture de mouvement : haute précision, lourde instrumentation
La capture de mouvement constitue une approche radicalement différente, en forte expansion depuis les années 1990 et largement utilisée aujourd’hui dans l’analyse du mouvement. Le principe consiste à équiper un acteur ou un athlète de billes réfléchissantes filmées en temps réel par des caméras infrarouges, dont les trajectoires permettent de reconstruire le geste et d’en analyser les paramètres. Les systèmes actuels atteignent une précision remarquable, de l’ordre du dixième de millimètre en position et inférieure au dixième de degré en rotation, ce qui en fait une mesure réellement fiable du mouvement exécuté.
Cette précision a toutefois un coût et déplace la contrainte plutôt qu’elle ne la lève. Les systèmes sont onéreux et complexes, requièrent un ingénieur pour le choix et l’application des filtres, la reconstruction de l’animation et la gestion du volume de données généré, problème de stockage souvent sous-estimé. L’expertise exigée n’est plus celle de l’animateur mais celle de l’ingénieur, restant hors de portée du praticien de terrain. La capture ouvre néanmoins une piste majeure : mesurer précisément de nombreux mouvements, les consolider en base de données, puis reconstruire à la demande des gestes paramétrés.
Des méthodes statistiques classiques à l'IA générative
L’exploitation d’une base de données de mouvements s’est d’abord appuyée sur des méthodes statistiques, notamment l’analyse en composantes principales, qui réduit la dimensionnalité d’un espace de paramètres pour le rendre manipulable. Ces approches présentent deux limites structurelles. D’une part, elles ne font que reformuler la manière de regarder les données sans pouvoir décorréler des paramètres initialement liés, alors que c’est précisément le besoin clinique. D’autre part, dès qu’on extrapole au-delà des mouvements capturés, le résultat devient rapidement peu réaliste, comme l’illustre une course générée en poussant tous les marqueurs au maximum, inutilisable pour un apprentissage gestuel.
Les méthodes d’IA générative, développées à partir des années 2020 sur les mêmes données, lèvent ces deux verrous. Elles parviennent à décorréler des paramètres pourtant couplés dans la mesure, l’exemple emblématique étant la hauteur du genou et la vitesse de course : mécaniquement, courir plus vite tend à faire monter les genoux, or ces techniques permettent d’imposer une vitesse accrue à hauteur de genou constante. Elles conservent en outre un caractère plausible lorsqu’on extrapole loin des données initiales, par exemple une course au style aérien, bras écartés et genoux hauts. Le mouvement devient ainsi un objet véritablement pilotable, où l’ajustement d’un paramètre ne perturbe plus les autres.
Auto-encodeurs variationnels et sémantique du geste
Au-delà de la décorrélation, l’apport des auto-encodeurs variationnels tient à leur capacité à porter une sémantique explicite. Les méthodes antérieures restituaient des paramètres déduits des données, dont l’interprétation restait incertaine : un axe présenté comme « la vitesse » pouvait en réalité mêler quatre-vingt-dix-sept pour cent de vitesse, deux pour cent de hauteur de genou et un pour cent de style, rendant le contrôle malaisé. Ajouter du sens à ces paramètres calculés a posteriori était extrêmement difficile, ce qui limitait l’usage par un professionnel non spécialiste.
Avec ces architectures, chaque mouvement peut au contraire être étiqueté selon des descripteurs intelligibles tels que le style de course aérien ou terrien, la vitesse ou la hauteur du genou. Une fois des milliers de mouvements labellisés, le système se pilote avec les paramètres de départ, et le physiothérapeute retrouve directement les labels qu’il a lui-même définis. L’objectif assumé est de rendre l’IA générative réellement pilotable par des non-experts en animation 3D, condition nécessaire à son adoption en pratique de rééducation ou d’entraînement.
Restitution au patient, limites actuelles et perspectives
L’intérêt clinique central est la restitution visuelle du mouvement au patient lui-même. On sait de longue date qu’une personne se reconnaît, et reconnaît ses proches, à partir du seul déplacement de points en 3D, ce qui fonde un levier pédagogique fort : il est plus efficace pour un patient de se voir marcher que d’observer un avatar étranger. Un projet à venir vise à combiner mesure en temps réel par marqueurs, analyse de la marche ou de la course, et modification du mouvement par le physiothérapeute, afin de présenter au patient la cible gestuelle à reproduire. La réceptivité réelle des patients à ce mode de communication reste toutefois à démontrer.
Plusieurs limites bornent ces perspectives et doivent être connues du référent. Ces approches restent gourmandes en données, en particulier en données labellisées dont la production manuelle est un goulot d’étranglement, et exigent une puissance de calcul élevée, certains modèles nécessitant plusieurs jours de calcul. Les modèles demeurent spécifiques à un type de geste, la course par exemple, sans transposition immédiate à la marche, et restent cantonnés au laboratoire en raison des caméras infrarouges et d’un temps d’installation des marqueurs de trente à quarante-cinq minutes, peu compatible avec une séance de physiothérapie. Le déploiement sans marqueurs, en conditions réelles et avec une précision suffisante, constitue le verrou des prochaines années, l’orateur situant un horizon réaliste autour de 2030 à 2035.
Type de vidéo
Congrès Medicol
Thème de l'évènement
Nouvelles technologies - étude du mouvement - problèmes de dos
Intervenants
Partie du corps
Maladies
Année
2025
Chirurgie:
Pathologie:
Tendinites; Douleurs chroniques; Troubles liés au matériel
Thèmatique:
Prévention des blessures
Besoin d'un avis médical?
Les médecins du Centre Orthopédique d'Ouchy sont à votre disposition
En savoir plus en vidéos
Playlist
0:16
En savoir plus en vidéos
Playlist
0:16
Vous pourriez aimer aussi
Cette vidéo explique à quoi sert un robot au bloc opératoire lors d’une chirurgie du genou. Le robot ne remplace pas le chirurgien : il aide à…
