A Deterministic Spatial Representation Packet for Sports Trajectories Under Explicit Coordinate, Threshold, and Tolerance Assumptions

Imaginez que vous regardez un personnage de jeu vidéo courir à travers une forêt. Pour un ordinateur, ce personnage n'est pas simplement en train de « courir » ; c'est une longue liste de nombres indiquant précisément à l'écran où se trouvent les pieds à chaque fraction de seconde. Dans le monde réel, les athlètes portent des montres et des capteurs spéciaux qui font la même chose, enregistrant leurs mouvements sous la forme d'un flux de points de données. Ce domaine, appelé l'ingénierie du sport, tente de transformer ces chiffres bruts en récits utiles : « Le joueur s'est-il arrêté ? » « A-t-il effectué un virage serré ? » « Quelle était sa vitesse ? »

Mais voici la partie délicate : les ordinateurs sont très littéraux. Si vous demandez à un ordinateur de trouver un « arrêt », il lui faut une règle très spécifique, comme « la vitesse doit être inférieure à 1,5 mètre par seconde pendant au moins 2 secondes ». Si vous n'écrivez pas cette règle clairement, ou si vous oubliez de préciser quel type de carte l'ordinateur utilise (comme savoir s'il mesure en miles ou en kilomètres), l'ordinateur pourrait trouver un « arrêt » qui n'en est pas vraiment un, ou en manquer un qui en est un. La grande question pour les scientifiques est la suivante : comment pouvons-nous nous assurer que lorsqu'un ordinateur dit avoir trouvé un motif dans la course d'un athlète, nous sachions exactement quelles règles il a utilisées pour le trouver, et que nous puissions vérifier son travail plus tard ?

Ce document présente un outil ingénieux appelé « Paquet de Représentation Spatiale Déterministe » (Deterministic Spatial Representation Packet). Considérez cela comme un reçu ultra-détaillé et immuable pour une analyse sportive. Au lieu de simplement vous donner la réponse finale (comme « le joueur s'est arrêté 5 fois »), cet outil emballe la réponse avec la « recette » entière utilisée pour la cuisiner. Il enregistre toutes les hypothèses, tous les seuils et tous les réglages infimes que l'ordinateur a utilisés pour transformer les données GPS brutes en une liste d'événements. Les auteurs, travaillant avec deux ensembles de données d'échantillon — l'un provenant d'un skieur et l'autre d'un coureur — démontrent qu'ils peuvent prendre des données de mouvement désordonnées et bruitées pour les convertir en une chaîne de preuves propre et auditable. Ils prouvent que si vous rédigez vos règles clairement, vous pouvez transformer un amas de coordonnées en un « paquet » de faits que n'importe qui peut inspecter pour voir exactement comment les conclusions ont été tirées.

Cependant, les auteurs sont très prudents et précisent ce que cet outil ne fait pas. Il ne prouve pas que l'athlète s'est réellement arrêté dans la vie réelle, ni il ne nous dit si le capteur était parfaitement précis. Il ne dit pas : « C'est la meilleure façon d'entraîner une équipe. » Il agit plutôt comme une boîte de verre transparente : vous voyez les données brutes entrer, vous voyez les règles appliquées, et vous voyez les résultats sortir. Si les résultats semblent étranges, vous pouvez regarder à l'intérieur de la boîte et dire : « Ah, l'ordinateur a trouvé un "virage" parce que la règle était fixée à 30 degrés, et non 45. » L'étude suggère que ce niveau de transparence est crucial pour l'ingénierie du sport, permettant aux experts de faire confiance aux données qu'ils utilisent sans avoir à deviner quels réglages cachés ont pu modifier le résultat.

Le « Reçu » d'une course

Pour comprendre pourquoi ce document est important, imaginez que vous êtes un détective essayant de résoudre un mystère sur la performance d'un coureur. Vous avez un carnet rempli de gribouillis (les données brutes) et un rapport final disant : « Le coureur s'est arrêté 95 fois. » Vous voulez savoir : Est-ce vrai ? Le coureur s'est-il réellement arrêté, ou l'ordinateur s'est-il simplement trompé ?

Par le passé, obtenir la réponse revenait à essayer de lire un reçu écrit à l'encre invisible. Vous voyiez le total, mais vous ne saviez pas quels articles étaient inclus, quels taux de taxation étaient appliqués, ou si le caissier avait fait une erreur de frappe. Ce document construit un nouveau type de reçu. Il prend les données brutes de deux athlètes — un skieur nommé « skiing_run_01 » et un coureur nommé « running_2026-04-09 » — et les fait passer par une machine stricte, étape par étape.

La machine commence par nettoyer les données. Elle a remarqué que les fichiers bruts contenaient beaucoup de « points fantômes » — des endroits où le capteur a enregistré exactement le même endroit deux fois de suite. Pour le skieur, presque la moitié des données (48,9 %) n'étaient que des points dupliqués. Pour le coureur, c'était encore pire, avec 68,6 % des données étant des doublons. La machine a supprimé ces doublons pour créer une version « canonique » (ou officielle) du parcours. Elle a ensuite projeté les données d'une carte globale (latitude et longitude) dans une grille locale et plane (Est, Nord, Haut) afin que les distances puissent être mesurées en mètres, et non en degrés.

Une fois les données nettoyées et dans le bon format, la machine a commencé à chercher des « événements » spécifiques en utilisant un ensemble de règles rigides. Elle n'a pas deviné ; elle a suivi une liste de contrôle.

• Arrêts : Elle a cherché les moments où la vitesse est tombée en dessous de 1,5 mètre par seconde et y est restée pendant au moins 2,0 secondes.
• Virages : Elle a cherché les changements de direction supérieurs à 30 degrés (0,5236 radian).
• Courbes : Elle a vérifié les courbes serrées où le chemin s'est courbé de plus de 0,1 radian par mètre.

Le résultat fut un « paquet » d'artefacts. Pour le skieur, la machine a trouvé 71 événements, dont 11 virages à gauche et 1 arrêt. Pour le coureur, elle a trouvé 553 événements, dont 95 arrêts et 151 fois où le coureur a fait demi-tour. Elle a également construit un « graphe symbolique », qui est comme un organigramme reliant tous ces événements entre eux.

La « Magie » des chiffres

C'est ici que le document devient vraiment intéressant, et que l'analogie du « reçu » prend tout son sens. Les données du coureur ont produit un nombre massif de « candidats de topologie » — 4 372 d'entre eux. Ce sont des événements où le chemin s'est croisé lui-même ou a formé une boucle. Un observateur occasionnel pourrait penser : « Wow, ce coureur a croisé son propre chemin 4 372 fois ! »

Mais le document nous avertit explicitement de ne pas prendre ce chiffre au pied de la lettre. Les auteurs expliquent que ce nombre énorme est le résultat des règles et des paramètres de tolérance, et non nécessairement le reflet de la réalité. La machine était réglée pour être extrêmement sensible, cherchant des croisements avec une tolérance de 1e-9 (une distance minuscule, minuscule). Comme le chemin du coureur était dense et s'auto-croisait, l'ordinateur a trouvé des milliers de chevauchements géométriques minuscules. Le document précise qu'il s'agit de « candidats conditionnés par la tolérance », ce qui signifie qu'ils existent parce que l'ordinateur a été chargé de les chercher sous des conditions très spécifiques et strictes. Ils ne sont pas un décompte de « croisements physiques uniques » dans le monde réel.

C'est là le cœur de la contribution du document : il sépare l'artefact (la découverte de l'ordinateur) de la vérité (ce qui s'est réellement passé). Le document soutient que nous devrions traiter ces découvertes comme des « observations symboliques déterministes ». En langage clair, cela signifie : « L'ordinateur a trouvé X parce que nous lui avons dit de chercher X en utilisant la règle Y. Cela ne signifie pas que X est physiquement vrai de la manière dont un humain le verrait. »

Pourquoi cela importe (et ce que cela n'est pas)

Les auteurs sont très humbles quant à ce qu'ils ont accompli. Ils ne prétendent pas avoir résolu le problème de la mesure parfaite des athlètes. Ils ne disent pas que leur méthode est la « meilleure » façon d'entraîner une équipe, et ils ne prétendent pas que leurs chiffres sont le dernier mot sur la vitesse d'un coureur. En fait, ils excluent explicitement plusieurs choses :

• Ils ne prétendent pas corriger les erreurs de capteurs.
• Ils ne prétendent pas connaître la « signification spécifique au sport » d'un virage (par exemple, si un virage était un mouvement tactique ou juste un trébuchement).
• Ils ne prétendent pas que leurs résultats fonctionnent pour tous les sports ou tous les appareils sans ajustement.

Au lieu de cela, le document suggère que la valeur réside dans la transparence. En emballant les données avec son « contrat de coordonnées » (les règles de la carte), ses « seuils » (les limites de vitesse) et sa « tolérance » (à quel point être proche est assez proche), les auteurs créent un système où n'importe qui peut auditer le travail. Si un entraîneur dit : « Le coureur s'est trop souvent arrêté », un analyste peut ouvrir le paquet et dire : « Eh bien, l'ordinateur a trouvé 95 arrêts parce que nous avons fixé la règle à 1,5 m/s. Si nous changeons la règle à 2,0 m/s, le nombre tombe à 40. »

L'étude utilise des « preuves de sensibilité par étapes » pour montrer à quel point ces chiffres peuvent être fragiles. Ils ont mené des tests montrant que si vous changez la façon dont les données sont lissées, ou si vous comblez les lacunes différemment, le nombre d'« arrêts » ou de « virages » peut changer radicalement. Ce n'est pas un bug ; c'est une fonctionnalité du système. Cela nous indique que ces chiffres ne sont pas des faits absolus comme le poids d'un rocher ; ce sont des faits conditionnels qui dépendent entièrement des règles que nous fixons.

La conclusion à retenir

En fin de compte, ce document est un blueprint pour l'honnêteté dans les données sportives. Il propose une façon de transformer un flux désordonné et bruyant de points GPS en un « paquet » propre et inspectable qui vous dit exactement ce que l'ordinateur a vu et exactement quelles règles il a utilisées pour le voir. Il ne vous dit pas qui a gagné la course, mais il vous donne les outils pour comprendre exactement comment la course a été mesurée.

Les auteurs démontent cela avec deux échantillons : un skieur avec 338 points propres et un coureur avec 871 points propres. Ils montrent qu'avec ces échantillons, ils peuvent générer une chaîne complète de preuves, des coordonnées brutes jusqu'au graphe final des événements. Ils admettent que leur méthode n'est qu'une « couche de représentation » — une étape intermédiaire entre les données brutes et l'analyse finale. Mais en rendant les hypothèses explicites, ils espèrent empêcher le genre de confusion qui survient lorsque les gens traitent les chiffres générés par ordinateur comme s'il s'agissait de vérités physiques immuables.

Le document conclut que les trajectoires sportives finies peuvent être converties en artefacts déterministes inspectables, mais seulement si nous cessons de cacher les hypothèses. Nous devons être prêts à dire : « Voici ce que nous avons supposé, voici la règle que nous avons utilisée, et voici ce que l'ordinateur a trouvé. » C'est un appel aux ingénieurs du sport pour qu'ils arrêtent de deviner et commencent à documenter, garantissant que chaque « arrêt », « virage » ou « boucle » dans les données soit accompagné de son propre petit reçu, prêt pour inspection.