في عالم يتسارع فيه التطور التكنولوجي، يأتي مجال التعرف على المشية كأحد أبرز التطبيقات البيو ميترية (Biometric) التي تساهم في تعزيز الهوية البشرية عن بُعد. ورغم الاهتمام الكبير الذي شهدته تقنيات التعرف على المشية في السنوات الأخيرة، إلا أن معظم الأبحاث تركز غالبًا على استخدام تمثيلات ثنائية (2D) كالسيلويت (Silhouettes) والهياكل العظمية (Skeletons)، أو ثلاثية الأبعاد (3D) مثل الشبكات الثلاثية الأبعاد (Meshes) وSMPL.

وتشير الدراسات الحالية إلى أن الاعتماد على نمط واحد غالبًا ما يفشل في استيعاب التعقيد الهيكلي والديناميكي الكامل لأنماط المشي البشرية. من هنا، يأتي الابتكار في الدراسة الجديدة التي تقدّم إطار عمل موحد يجمع بين خصائص الرقم 2D مع ميزات SMPL الثلاثية الأبعاد، مما يوفر تحليلاً متميزًا للمشية.

هذا البحث الرائد لا يقتصر على التعرف فقط، بل يقدم أيضًا استراتيجية التعلم المتعدد المهام (Multi-task Learning) التي تنفذ بشكل مشترك التعرف على المشية وتقدير الصفات البشرية، مثل العمر، ومؤشر كتلة الجسم (BMI)، والجنس. حيث تم استخدام محول موحد (Unified Transformer) لدمج الميزات متعددة الأبعاد بشكل فعال، وتحسين التمثيلات المرتبطة بالخصائص الشخصية مع الحفاظ على الإشارات التمييزية الهامة.

أجريت تجارب شاملة باستخدام مجموعات بيانات BRIAR الكبيرة، التي جمعت في ظروف صعبة مثل المسافات الطويلة (تصل إلى 1 كم) وزوايا الميل القصوى (تصل إلى 50 درجة). وأظهرت النتائج أن النهج المقترح يتفوق على الطرق التقليدية في التعرف على المشية، كما يحقق دقة عالية في تقدير الصفات البشرية.

تشير هذه النتائج إلى إمكانيات التعلم متعدد المهام ووسائل التعلم متعددة الأبعاد لتقدم فهمًا أعمق للبشر بناءً على أنماط مشيهم في حالات الحياة الواقعية.