تعتبر عملية التعرف على أنماط المشي من أهم التطبيقات البيومترية التي تساعد في التعرف على الأفراد من مسافات بعيدة، وخاصةً في البيئات ذات الدقة المنخفضة. تُظهر الأبحاث الحالية اهتمامًا كبيرًا في تصنيفات الصور ثنائية الأبعاد مثل الأشكال الظليلة والهياكل العظمية، أو العروض ثلاثية الأبعاد كالشبكات الثلاثية الأبعاد (Meshes) ونماذج SMPL. لكن الاعتماد على نمط واحد فقط غالبًا ما يعوق القدرة على فهم التعقيدات الهندسية والحركية المرتبطة بأنماط المشي.

لذا، وقد تم اقتراح إطار عمل جديد يُعرف باسم Combo-Gait، والذي يجمع بين مميزات الصور ثنائية الأبعاد مع بيانات SMPL ثلاثية الأبعاد لتقديم تحليل شامل وموثوق. يتجاوز هذا النظام عملية التعرف ليشمل استراتيجية تعلم متعددة المهام تُساعد في تقدير مجموعة من السمات البشرية مثل العمر ومؤشر كتلة الجسم (BMI) والجنس.

يعتمد النظام على استخدام البنية التحتية للـ Transformer الموحدة، مما يساهم في دمج مميزات عدة أنماط والتعلم الفعال من خلال البيانات المتنوعة دون فقدان الدقة في معلومات الهوية المميزة.

تُظهر التجارب الشاملة على مجموعة بيانات BRIAR الكبيرة، التي تم جمعها في ظروف صعبة مثل المسافات الطويلة (حتى 1 كم) وزوايا الميل الشديدة (حتى 50 درجة)، أن هذا النهج يتفوق على الأساليب الحديثة في التعرف على أنماط المشي ويقدم تقديرات دقيقة لسمات الإنسان. كما تبرز النتائج قدرة التعلم متعدد المهام والأنماط المتعددة على تعزيز فهم أنماط المشي البشرية في السيناريوهات الحياتية الواقعية.