Le VAR ne ruine pas le football. Une mauvaise ingénierie, si.

J'étais dans un bar à Bangalore quand le but de Luis Díaz a été refusé.

C'était en novembre 2023, Liverpool contre Tottenham. Le ballon a touché le filet, Anfield a explosé, puis — silence. La vérification VAR. L'image figée. La ligne tracée depuis un pixel sur l'épaule de Díaz jusqu'à un pixel sur la chaussure du dernier défenseur. Hors-jeu. Sauf que non. La Premier League a plus tard admis que le but aurait dû être validé. Une « erreur humaine significative », selon leurs propres termes.

Le type à côté de moi — un ingénieur logiciel, même pas fan de football — a regardé l'écran et a dit quelque chose qui m'est resté : « Pourquoi tracent-ils des lignes sur une photo floue comme si on était en 2005 ? »

Il avait raison. Et pas seulement à propos de cette décision. Tout le système VAR de hors-jeu repose sur une erreur de physique si fondamentale que je suis sincèrement surpris que davantage d'ingénieurs n'aient pas hurlé à ce sujet. Je dirige Veriprajna, où nous construisons des systèmes de fusion profonde de capteurs — le genre d'architecture où l'on fusionne des données provenant de plusieurs types de capteurs en un seul modèle de la réalité. Quand j'ai commencé à décortiquer le fonctionnement réel du VAR sous le capot, je n'ai pas trouvé un système qui avait besoin d'ajustements. J'ai trouvé un système qui ne peut pas fonctionner, non pas à cause d'un mauvais logiciel, mais à cause d'une mauvaise physique.

Le problème du hors-jeu n'est pas un bug logiciel. C'est une crise de mesure déguisée en histoire de succès technologique.

Le sophisme du pixel : pourquoi les caméras mentent sur la position des joueurs

Voici ce que la plupart des gens ne réalisent pas à propos d'une image vidéo : ce n'est pas la photographie d'un instant figé. C'est une traînée floue.

Une caméra de diffusion en Premier League tourne à 50 images par seconde. Cela signifie qu'elle capture une image toutes les 20 millisecondes. À chaque capture, l'obturateur reste ouvert pendant environ 10 millisecondes pour laisser entrer assez de lumière. Dans ces 10 millisecondes, le pied d'un joueur en sprint — se déplaçant à 20 mètres par seconde lors d'un geste de frappe — parcourt environ 20 centimètres. L'« image » de ce pied sur le capteur n'est pas un point net. C'est un flou s'étalant sur des dizaines de pixels.

Voilà où cela devient absurde. L'opérateur VAR prend cette image floue, zoome, place un réticule d'un seul pixel sur ce qu'il croit être le « bord avant » de l'orteil de l'attaquant, et trace une ligne. Il choisit un point à l'intérieur d'une distribution de probabilité et le présente comme la vérité.

Une image de diffusion ne capture pas où se trouve un joueur. Elle capture un nuage de probabilité de l'endroit où il aurait pu se trouver pendant une fenêtre de 10 millisecondes.

Mais le problème temporel est encore pire que le problème spatial. Une frappe professionnelle — l'instant où la chaussure touche le ballon — se produit en environ 8 à 12 millisecondes. À 50 images par seconde, la caméra peut capturer une image avant le contact et l'image suivante après que le ballon a déjà quitté le pied. L'instant réel de la frappe n'apparaît presque jamais à l'écran. L'opérateur choisit l'image « la plus proche », mais « la plus proche » peut signifier un décalage de 10 millisecondes. Dans ces 10 millisecondes, des joueurs se déplaçant à une vitesse relative combinée de 14 mètres par seconde ont changé de position de 14 centimètres.

Le système trace donc une ligne d'une précision millimétrique sur une image qui est physiquement obsolète d'une distance dix fois supérieure à la marge qu'il prétend mesurer. Ce n'est pas de la mesure. C'est du théâtre.

Quand j'ai fait les calculs moi-même

Je n'ai pas commencé ce projet pour réparer le football. Je l'ai commencé parce que les mathématiques m'ont offensé.

Mon équipe chez Veriprajna travaille sur la fusion de capteurs — combinant des données issues de caméras, d'accéléromètres, de gyroscopes et d'autres instruments en un modèle unifié de la réalité physique. Nous faisons cela pour des applications industrielles où la précision compte. Quand j'ai examiné pour la première fois le pipeline VAR en tant que système d'ingénierie, je m'attendais à trouver quelque chose de sophistiqué derrière la controverse. Peut-être que le public ne comprenait tout simplement pas les tolérances. Peut-être que les marges d'erreur étaient acceptables.

Au lieu de cela, j'ai trouvé un système avec une zone d'incertitude totale de 30 à 40 centimètres essayant de rendre des décisions au niveau du centimètre.

Un soir, je me suis assis et j'ai posé le budget d'erreur sur un tableau blanc. Quantification temporelle liée à la sélection d'image : ±10 millisecondes, ce qui, à une vitesse relative de 14 m/s, donne une incertitude de position de ±14 cm. Flou de mouvement pendant l'ouverture de l'obturateur : encore ±10 cm. Distorsion de type obturateur déroulant (rolling shutter) sur les capteurs CMOS — où l'image est lue ligne par ligne, de haut en bas, si bien qu'une jambe se déplaçant rapidement apparaît géométriquement déformée : non quantifiée mais bien réelle. Ajoutez l'ambiguïté au niveau du pixel liée au placement d'un point clé sur un membre flou, et vous obtenez une erreur combinée qui éclipse toute marge de hors-jeu inférieure à environ 40 centimètres.

Je me souviens avoir fixé ce tableau blanc en pensant : chaque décision de hors-jeu « serrée » des cinq dernières années a été un pile ou face déguisé en science.

C'est à ce moment-là que j'ai décidé que nous devions rédiger l'analyse technique complète. Non pas pour me plaindre du VAR, mais pour montrer à quoi ressemblerait un véritable système de mesure.

Pourquoi ne pas simplement utiliser une « meilleure IA » sur les mêmes caméras ?

C'est la question qu'on me pose le plus souvent, généralement de la part d'investisseurs et parfois d'autres entreprises d'IA. « Ne pouvez-vous pas simplement entraîner un meilleur modèle sur le flux de diffusion ? »

Non. Et la raison révèle un problème plus profond dans la façon dont l'industrie de la technologie sportive fonctionne actuellement.

Le marché est inondé de ce que j'appelle des solutions « enveloppes » — des entreprises qui prennent un flux de diffusion standard, le font passer par un modèle de détection d'objets prêt à l'emploi comme YOLO ou Mask R-CNN, et produisent des boîtes englobantes ou des estimations de pose. Elles conviennent pour les fonctionnalités d'engagement des fans, les résumés vidéo, les analyses de base. Elles sont fondamentalement inadaptées à l'arbitrage.

Une solution enveloppe hérite des limites de son entrée. Si votre entrée est un flux de diffusion à 50 images par seconde avec flou de mouvement, artefacts d'obturateur déroulant et distorsion optique, aucun réseau de neurones — quel que soit le nombre de paramètres — ne peut récupérer une information temporelle qui n'a jamais été capturée. On ne peut pas halluciner la physique. Les données ne sont tout simplement pas là.

C'est la distinction que j'essaie constamment de faire quand on me demande ce que signifie « l'IA profonde » pour nous. Cela ne signifie pas un réseau de neurones plus profond. Cela signifie aller plus profondément dans la pile technologique — en contrôlant la couche capteur, le pipeline d'acquisition de données, l'infrastructure de synchronisation temporelle. Nous ne traitons pas de la vidéo. Nous concevons les conditions dans lesquelles les données sont capturées afin que les entrées soient réellement capables de supporter la précision dont nous avons besoin.

On ne résout pas un problème de mesure avec un meilleur algorithme. On le résout avec un meilleur instrument.

À quoi ressemblerait un véritable système ?

Alors mon équipe et moi en avons conçu un. Pas un ajustement du VAR. Un remplacement de toute l'architecture de mesure.

L'idée centrale est trompeusement simple : découpler la mesure du temps de la mesure de l'espace. Laissez le ballon vous dire quand la frappe a eu lieu. Laissez les caméras vous dire où se trouvaient les joueurs. Et utilisez les mathématiques pour fusionner ces deux flux en une reconstruction unique et précise de la réalité.

Le ballon sait quand il est frappé

Nous proposons d'intégrer une centrale inertielle (IMU) à 500 Hz — un accéléromètre et un gyroscope échantillonnant 500 fois par seconde — au centre du ballon de match. Quand une chaussure percute le ballon, l'accéléromètre enregistre un pic massif de force en G avec une forme d'onde caractéristique : temps de montée abrupt de moins de 2 millisecondes, décroissance rapide à mesure que le ballon quitte le pied. Ceci se distingue d'un rebond (magnitude plus faible, contact plus long) ou d'une tête (courbe plus douce en raison de la compliance du crâne).

En analysant la signature spectrale de l'impact, le système identifie le déclenchement exact de la déformation du ballon — l'instant physique du « premier contact » tel que défini par les lois du jeu. La précision de l'horodatage : ±1 milliseconde. À comparer aux ±10 millisecondes de la sélection manuelle d'image.

Une chose sur laquelle nous nous sommes disputés en interne pendant des semaines : le capteur doit supporter une accélération de ±200g. Une frappe professionnelle génère des forces qui satureraient instantanément un accéléromètre grand public limité à ±16g, écrêtant les données et détruisant la forme d'onde. Le capteur doit aussi se situer exactement au centre de masse du ballon, suspendu sur des filaments tendus à l'intérieur de la vessie, afin que le ballon vole droit. La moindre déviation et vous avez construit un dé pipé. Les contraintes d'ingénierie sont sévères, mais elles sont surmontables — la technologie de ballon connecté de la FIFA lors de la Coupe du monde 2022 a prouvé que le concept est viable.

Les caméras voient où se trouve chacun

Pour la couche spatiale, nous remplaçons les caméras de diffusion par 12 à 16 caméras de vision industrielle à position fixe et calibrées, fonctionnant à 200 images par seconde avec obturateurs globaux.

L'augmentation de la fréquence d'images compte énormément. À 200 images par seconde, l'intervalle entre les images passe de 20 millisecondes à 5 millisecondes. L'« angle mort » — la distance maximale qu'un joueur peut parcourir entre deux images — se réduit de 28 centimètres à 7 centimètres. Mais le gain le plus important concerne le flou de mouvement. À 200 images par seconde, la vitesse d'obturation doit être d'1/1000e de seconde ou plus rapide. La traînée de flou passe de 10-20 centimètres à moins d'1 centimètre. Les joueurs deviennent des objets nets et mesurables au lieu de nuages de probabilité.

Les obturateurs globaux comptent également. Les caméras de diffusion utilisent des obturateurs déroulants qui lisent l'image ligne par ligne. Une jambe se déplaçant rapidement se retrouve géométriquement déformée — allongée ou compressée selon sa direction par rapport à la lecture. Les capteurs à obturateur global exposent chaque pixel simultanément. La géométrie est préservée exactement telle qu'elle existait au moment de l'exposition.

Et comme il s'agit de caméras fixes et calibrées avec des champs de vision qui se chevauchent, nous pouvons trianguler la position 3D de chaque joueur grâce à la géométrie stéréo multi-vues. Quand un membre est occulté sous un angle de caméra — bloqué par un défenseur dans une surface de réparation encombrée — il est presque certainement visible sous un autre angle. Notre système utilise un mécanisme de vote : les points clés visibles depuis des caméras non obstruées contribuent à la reconstruction, les vues occultées sont écartées. Si une articulation est partiellement cachée sur toutes les vues, des contraintes biomécaniques (un tibia se connecte à un genou qui se connecte à une hanche) permettent une inférence avec un intervalle de confiance calculé.

Comment fusionner deux capteurs différents en une seule vérité ?

C'est là que réside la véritable ingénierie, et honnêtement, c'est là que je pense se trouver la contribution la plus profonde de Veriprajna.

Vous avez des données de suivi squelettique à 200 Hz et des données d'impact du ballon à 500 Hz. La frappe se produit, disons, à l'horodatage 1234 millisecondes. Les images de caméra les plus proches se situent à 1230ms et 1235ms. Vous devez savoir où se trouvait exactement l'orteil du frappeur à 1234ms précises. Vous ne pouvez pas simplement choisir l'image la plus proche — cela représente une erreur d'1 milliseconde, ce qui, à 14 m/s, équivaut encore à 1,4 centimètre. Pour un système revendiquant une précision inférieure au centimètre, c'est inacceptable.

Nous interpolons donc. Mais pas avec une ligne droite — le mouvement humain est curviligne. Une jambe en sprint accélère et décélère tout au long de sa foulée. Nous utilisons l'interpolation par spline cubique, qui construit une courbe lisse à travers les points de données connus tout en préservant la continuité de la vitesse et de l'accélération. Le résultat est une « image virtuelle » générée mathématiquement — la position reconstruite du squelette de chaque joueur à la milliseconde exacte du contact.

Avant l'interpolation, nous faisons passer les données brutes de suivi par un filtre de Kalman sans parfum (Unscented Kalman Filter). Il s'agit d'un cadre mathématique qui maintient un modèle d'état pour chaque articulation du corps de chaque joueur — position, vitesse, accélération — et qui réconcilie en continu ce que la physique prédit avec ce que les caméras observent. Si la détection du réseau de neurones oscille de quelques centimètres d'une image à l'autre (ce qui arrive toujours), le filtre lisse cela en faisant confiance à la physique. Si le joueur effectue un changement de direction soudain, le filtre accorde davantage de confiance à la mesure optique. Le résultat est une trajectoire propre et biomécaniquement cohérente.

Le choix architectural crucial : couplage étroit contre couplage lâche. Dans un système à couplage lâche, le système de vision et l'IMU calculent chacun des positions de manière indépendante, puis on en fait la moyenne. Simple, mais fragile — si les caméras perdent un joueur derrière un mur de défenseurs pendant 50 millisecondes, la moyenne perd tout son sens. Dans notre architecture à couplage étroit, les résidus bruts des deux flux de capteurs alimentent un unique optimiseur de graphe de facteurs qui résout l'état le plus probable satisfaisant simultanément toutes les contraintes. Même pendant une occultation partielle, l'élan cinématique établi par le filtre de Kalman fait avancer l'estimation avec une grande confiance jusqu'à ce que le verrouillage visuel soit récupéré.

Nous ne mesurons pas des pixels. Nous reconstruisons la physique de l'instant et nous lisons la réponse dans le modèle.

Pour le cadre mathématique complet — les équations d'état du filtre de Kalman, l'estimation d'orientation par quaternions, les transformations d'homographie — j'ai publié l'analyse technique approfondie complète ici.

Qu'advient-il du budget d'erreur ?

Laissez-moi mettre les deux systèmes côte à côte, car le contraste est saisissant.

VAR actuel à 50 Hz avec sélection manuelle d'image : erreur temporelle de ±10 ms, incertitude spatiale de ±14 cm liée à la seule sélection d'image, ±10 cm liée au flou de mouvement. Zone d'incertitude totale : environ 30 à 40 centimètres.

Notre architecture — optique à 200 Hz, inertielle à 500 Hz, fusion à couplage étroit : l'IMU situe la frappe à ±1 ms près. L'interpolation par spline cubique sur un intervalle de caméra de 5 ms introduit une erreur inférieure au millimètre pour un mouvement biologique fluide. La source d'erreur dominante restante est la précision de placement des points clés par le réseau de neurones — environ ±2 à 3 centimètres. Zone d'incertitude totale : environ 2 à 3 centimètres.

C'est une amélioration d'un ordre de grandeur. Les décisions qui étaient auparavant « trop serrées pour trancher » — lorsque la marge se situait dans l'angle mort du système — deviennent mathématiquement distinctes.

« Mais cela coûterait incroyablement cher »

Cela coûterait de l'argent réel, oui. Seize caméras haute vitesse, des clusters de calcul en périphérie avec des GPU A100 ou H100 doubles dans la salle des serveurs du stade, une dorsale fibre optique PTP pour une synchronisation temporelle inférieure à la microseconde, des ballons de match équipés d'IMU intégrées. Ce n'est pas un produit SaaS cloud que l'on déploie avec une clé API.

Mais laissez-moi recadrer la question du coût. La Premier League génère plus de 3 milliards de livres sterling par an en revenus de diffusion. Une seule décision de hors-jeu erronée peut faire basculer une course au titre, déclencher une relégation représentant des centaines de millions de revenus perdus, et éroder la confiance d'une audience mondiale. L'infrastructure que je décris coûterait une fraction de ce qu'un seul grand club dépense en transferts lors d'un mercato.

La véritable résistance n'est pas le coût. C'est l'inertie institutionnelle. Les instances dirigeantes du football ont adopté le VAR comme un produit fini. Admettre qu'il a besoin d'une réingénierie fondamentale — pas seulement de meilleurs opérateurs ou de lignes de tolérance plus épaisses — revient à admettre que la promesse initiale a été survendue. Personne ne veut avoir cette conversation.

On me demande aussi : que se passe-t-il si le capteur du ballon tombe en panne en plein match ? Le système se dégrade avec élégance vers un mode optique seul. À 200 images par seconde, la marge d'erreur augmente à environ 7 centimètres — ce qui reste nettement meilleur que l'angle mort actuel de 28 centimètres. Le match continue sans interruption.

Et qu'en est-il de la passe « ratée » — un dribble où le pied maintient un contact continu avec le ballon ? L'IMU détecte une vibration continue au lieu d'un pic net, et le système bascule sa logique pour suivre le moment de la libération, quand la vibration cesse. Nous avons réfléchi à ces cas limites parce que ce sont eux qui feraient réellement échouer un système déployé.

Ce n'est pas vraiment une question de hors-jeu

Une fois que l'on a construit une architecture de fusion de capteurs de ce niveau de fidélité, le hors-jeu n'est que la première application. Les mêmes données squelettiques 3D et le même suivi du ballon à haute fréquence permettent la détection automatisée de la main — en modélisant la « silhouette naturelle » comme une frontière volumétrique dans l'espace 3D et en détectant les mouvements de bras vers la trajectoire du ballon qui dépassent ce qu'implique la rotation du torse. Les mêmes dérivées de vitesse issues du filtre de Kalman qui suivent la position du joueur peuvent calculer la force en G exacte de chaque pas et de chaque événement de décélération, signalant les charges cumulées sur les genoux qui précèdent les ruptures des ligaments croisés avant qu'elles ne se produisent.

Le stade devient un laboratoire de physique numérisé. Et le sport devient, pour la première fois, véritablement mesurable.

La vallée de l'étrange (uncanny valley) de la technologie d'arbitrage

Il existe un concept issu de la robotique appelé la vallée de l'étrange (uncanny valley) — le point où quelque chose ressemble presque suffisamment à un humain pour être convaincant, mais est juste assez décalé pour être profondément troublant. Le VAR vit dans la vallée de l'étrange de la technologie de mesure. Il est suffisamment précis pour nous faire croire qu'il capture la vérité, mais suffisamment imprécis pour se tromper régulièrement. Cet écart — entre l'apparence de certitude et la réalité de l'incertitude — est ce qui rend les fans fous.

Les gens qui disent « le VAR gâche le jeu » ne sont pas simplement émotifs. Ils réagissent à un phénomène réel : un système qui présente des suppositions comme des faits. Les lignes d'une précision au pixel près, les images figées, les graphiques cliniques — tout cela projette une autorité que la physique sous-jacente ne peut pas soutenir.

La solution n'est pas de revenir en arrière. Personne ne veut retourner à l'époque où le coup d'œil d'une fraction de seconde d'un juge de touche décidait d'une demi-finale de Coupe du monde. La solution est d'aller plus en profondeur. D'arrêter de mesurer des pixels et de commencer à mesurer la physique. De construire des instruments dignes des affirmations que nous faisons.

Le football n'a pas besoin de moins de technologie. Il a besoin d'une technologie qui respecte la physique du sport qu'elle tente de régir.

Nous n'avons pas besoin de lignes de tolérance plus épaisses ni de protocoles plus indulgents. Nous avons besoin d'un système qui capture réellement ce qui s'est passé — avec des capteurs suffisamment rapides, suffisamment précis, et fusionnés de manière suffisamment étroite pour reconstruire la vérité d'un instant qui dure 8 millisecondes et qui décide de tout.

C'est ce que nous construisons. Non pas parce que nous pensons que la technologie devrait remplacer le jugement humain dans le football. Mais parce que quand la technologie intervient, elle doit au moins avoir raison.