MocapLab

Deux stages R&D en apprentissage automatique appliqué à la capture de mouvement — détection d'erreurs de tracking oculaire et facial, puis dédoublonnement automatique de mouvements pour un dictionnaire de langue des signes.

Le studio

MocapLab est un studio parisien entièrement dédié à la capture de mouvement, fondé et dirigé par Rémi Brun — l'équipe fondatrice a débuté la mocap dès 1993, sur le pilote du film 20 000 lieues sous les mers, l'un des tout premiers longs métrages à utiliser cette technologie. Le studio couvre quatre familles de capture (corps, visage, regard, doigts) et revendique plus de 300 projets réalisés en cinéma, télévision, jeu vidéo et spectacle vivant, dont les cinématiques de Syberia ou des captures pour Riders Republic (Ubisoft).

Au-delà de la prestation, MocapLab porte une activité de recherche interne, notamment autour de Sign3D, une application d'avatar 3D pour la langue des signes française financée par France 2030 — un projet qui s'appuie directement sur l'expertise de capture des doigts du studio.

mocaplab.com →

Stagiaire R&D

03/2026 – 07/2026

Contexte

Les données de capture de mouvement oculaire (fichiers TRC, marqueurs faciaux haute fréquence) contiennent des erreurs de tracking — occlusions, glissements de marqueur, pertes de rigidité — qui doivent aujourd'hui être repérées à l'œil par un opérateur avant tout usage en production.

Approche

Analyse des erreurs les plus coûteuses pour la production, puis entraînement en Python de plusieurs modèles de tracking et de labeling automatique des marqueurs oculaires — classifieurs supervisés, régression et CNN comparés sur un même jeu de descripteurs pour choisir la bonne complexité selon le type d'erreur, avec un seuil de décision calibré pour privilégier la précision : un marqueur signalé à tort coûte plus cher, en aval, qu'une erreur laissée passer.

Résultat

Modèle intégré dans le pipeline de production de l'équipe, comme aide au repérage plutôt qu'en remplacement du contrôle humain.

Stagiaire

09/2025 – 10/2025

Contexte

Un dictionnaire de langue des signes construit à partir de captures de mouvement accumule des variantes quasi identiques d'un même signe, enregistrées à des moments différents — sans étiquetage a priori du doublon.

Approche

Conception en Python d'un modèle ML de classification de mouvements et de dédoublonnement automatique : regrouper les captures qui correspondent au même signe malgré les variations naturelles d'exécution, pour ne garder qu'une entrée représentative par signe.

Résultat

Résultats et méthodologie présentés à l'équipe de recherche en clôture de stage.

← voir les projets personnels