Towards autonomous evaluation of horse-rider performance in equestrian sports utilizing on-field data and artificial intelligence

This thesis, developed within the framework of the double degree program between Politecnico di Milano and LUT University, proposes a comprehensive methodology for the quantitative evaluation of horse-rider performance. The methodology is based on the dimensionality reduction of dressage trajectories and body kinematics data, both acquired in the field. The approach employs Singular Value Decomposition (SVD) and Uniform Manifold Approximation and Projection (UMAP) to obtain low-dimensional representations that capture the essential features of the athlete’s behavior, which are subsequently used for performance assessment. Two evaluation strategies were implemented: a distance-based analysis, quantifying athlete consistency and similarity to expert performance, and a machine learning-based expertise prediction. The distance-based analysis showed mixed results, with dressage trajectories producing more pronounced class separation and ranking consistency, while body kinematics exhibited class separation directly related to gait difficulty. In contrast, the approach based on machine learning achieved high prediction accuracies on both training and testing datasets. Although limited by the small number of athletes, the results highlight the potential of the proposed methodology to identify meaningful features without relying on predetermined parameters or expert knowledge, offering a fully data-driven alternative for athlete evaluation. Overall, this work demonstrates the feasibility of using dimensionality reduction and machine learning to assess horse-rider performance, providing a foundation for future studies with larger datasets and enabling the extension of this approach to other sports for quantitative performance assessment.

Questa tesi, sviluppata nell’ambito del programma di doppia laurea tra il Politecnico di Milano e la LUT University, propone una metodologia completa per la valutazione quantitativa delle prestazioni dei cavalieri. La metodologia si basa sulla riduzione dimensionale delle traiettorie di dressage e dei dati di cinematica corporea, entrambi acquisiti sul campo. L’approccio utilizza la Singular Value Decomposition (SVD) e la Uniform Manifold Approximation and Projection (UMAP) per ottenere rappresentazioni a bassa dimensionalità che catturano le caratteristiche essenziali del comportamento dell’atleta, successivamente impiegate per la sua valutazione. Sono state implementate due strategie di analisi, una basata sulle distanze, volta a quantificare la coerenza del cavaliere e la somiglianza rispetto alla performance di un esperto, e una seconda basata sul machine learning, finalizzata alla previsione del livello di competenza. L’analisi basata sulle distanze ha mostrato risultati eterogenei, le traiettorie di dressage hanno evidenziato una separazione più marcata tra le classi e una maggiore coerenza nel ranking, mentre i dati di cinematica corporea hanno mostrato una separazione direttamente correlata alla difficoltà dell’andatura. Invece, l’approccio fondato sul machine learning ha raggiunto un’elevata accuratezza predittiva sia sui dati di addestramento sia su quelli di test. Nonostante il numero ridotto di atleti limiti la generalizzabilità dei risultati, questi ultimi evidenziano il potenziale della metodologia proposta nell’identificare caratteristiche significative senza fare affidamento su parametri predefiniti o conoscenze esperte, offrendo così un’alternativa completamente data driven per la valutazione delle prestazioni. Nel complesso, questo lavoro dimostra la fattibilità dell’uso congiunto di tecniche di riduzione dimensionale e di machine learning per la valutazione delle prestazioni dei cavalieri, ponendo le basi per futuri studi su dataset più ampi e per l’estensione dell’approccio ad altre discipline sportive nella valutazione quantitativa della performance.