La biometria ha evolucionat molt més enllà de les empremtes dactilars o el reconeixement facial. En els darrers anys, l' anàlisi de la trepitjada humana s' ha consolidat com una alternativa prometedora per a la identificació de persones, gràcies a la singularitat dels patrons de pressió que cada individu imprimeix en caminar. La segona edició del concurs StepUP, una iniciativa internacional centrada en el reconeixement biomètric de passos, acaba de revelar resultats que marquen un abans i un després en aquest camp. Amb un conjunt de dades massives que supera els 200.000 registres dinàmics d'alta resolució obtinguts de 150 persones, aquesta competició ha posat a prova els límits dels algoritmes actuals davant desafiaments reals: usuaris no vistos, canvis de calçat i velocitat, i la fusió d'informació entre el peu esquerre i dret.
El certamen, organitzat amb un enfocament rigorós i una metodologia cega (els participants no coneixien el conjunt de prova), va abordar tres grans reptes que qualsevol sistema d'identificació basat en passos ha de superar per ser viable en entorns pràctics. El primer va ser la capacitat de generalitzar usuaris nous a partir d'una mostra molt limitada d'entrenament, imitant situacions com el registre ràpid en una aplicació de control d'accés. El segon repte exigia robustesa davant canvis en el domini: caminar amb sabates diferents o a velocitats diferents altera els senyals de pressió, i el sistema havia de reconèixer la persona independentment d'aquestes variacions. El tercer desafiament, novedós en aquesta edició, va consistir a treballar amb seqüències completes de passos (a nivell de zancada) en lloc d'empremtes aïllades, cosa que obre la porta a tècniques d'aprenentatge de representacions temporals i fusió inter-pas.
El millor resultat el va obtenir l'equip ArogyaPandit Research, que va assolir una taxa d'error igual (EER) del 8,00% mitjançant una xarxa neuronal convolucional espaciotemporal combinada amb una estratègia de puntuació basada en eixams. Aquest assoliment demostra el valor d' explotar els patrons temporals de la marxa i d' incorporar tècniques de normalització i calibratge en el moment de la inferència per millorar la precisió de les comparacions. Tot i això, el concurs també va deixar en evidència que el reconeixement d'usuaris amb calçat personal no vist durant l'entrenament continua sent un punt feble, especialment quan hi ha distractors amb característiques similars. Aquesta limitació reflecteix la complexitat del problema i la necessitat de continuar investigant en representacions invariants a l' estil de sabata i a la velocitat.
Des d'una perspectiva tècnica, l'ús de xarxes convolucionals 3D (spatiotemporal CNN) permet capturar tant la forma de la trepitjada com la seva evolució en el temps. Els equips més reeixits van combinar aquestes arquitectures amb tècniques d'augment de dades, regularització i calibratge de puntuacions. Alguns fins i tot van explorar la fusió primerenca dels passos esquerre i dret, generant una representació unificada de la zancada. Aquest enfocament no només millora la precisió, sinó que també redueix la sensibilitat a variacions menors en una sola trepitjada.
La competència StepUP no només impulsa la investigació acadèmica; també té implicacions directes per a la indústria. La identificació per la trepitjada es pot aplicar en entorns d'alta seguretat, com aeroports, edificis corporatius o instal·lacions crítiques, on les empremtes dactilars o l'iris poden ser difícils de capturar de forma no intrusiva. A més, en tractar-se d'un senyal que es genera de manera natural en caminar, l'usuari no necessita cooperar activament, la qual cosa millora l'experiència i redueix els punts de fricció. En aquest context, les empreses que desitgin implementar solucions de biometria de passos requereixen un desenvolupament tecnològic especialitzat que va més enllà de l' algoritme pur.
Aquí és on entra en joc la capacitat d'integrar sistemes d'intel·ligència artificial amb infraestructures robustes i personalitzades. Moltes organitzacions opten per contractar aplicacions a mesura que s' adaptin exactament a les seves necessitats de captura, processament i emmagatzematge de dades biomètriques. Un programari a mida permet, per exemple, connectar sensors de pressió especialitzats, gestionar bases de dades d'empremtes dinàmiques i desplegar models d'inferència en temps real. De fet, les solucions més avançades solen combinar aquestes capacitats amb plataformes al núvol per escalar el processament i garantir la disponibilitat.
La intel·ligència artificial és el motor que fa possible el reconeixement de passos. Els algoritmes de deep learning, com els utilitzats en l'StepUP, requereixen grans volums de dades etiquetades i una infraestructura de còmput eficient. Les empreses que busquen implementar IA per a empreses troben en Q2BSTUDIO un aliat estratègic, ja que oferim serveis de consultoria i desenvolupament que abasten des de la creació de models personalitzats fins a la seva integració amb sistemes existents. Els nostres agents IA poden automatitzar l'anàlisi dels senyals de pressió i generar alertes o decisions en mil·lisegons, la qual cosa resulta crítica en aplicacions de control d'accés o monitoratge continu.
La ciberseguretat és un altre pilar fonamental. Les dades biomètriques són informació sensible que s' ha de protegir tant en trànsit com en repòs. Un sistema de reconeixement de passos mal dissenyat podria ser vulnerable a atacs de suplantació o filtracions. Per això, en Q2BSTUDIO integrem pràctiques de ciberseguretat en cada fase del desenvolupament, incloent proves de penetració, xifrat d'extrem a extrem i gestió segura d'identitats. La combinació de biometria i seguretat informàtica obre la porta a solucions immunes al robatori de contrasenyes o tokens físics.
A més, la gestió eficient de la informació que generen aquests sistemes requereix eines d'intel·ligència de negoci. Amb serveis intel·ligència de negoci com Power BI, és possible visualitzar en temps real les mètriques de rendiment dels algoritmes, la freqüència d'encerts i errors, o els patrons d'ús dels usuaris. Això permet als administradors prendre decisions informades sobre ajustos del model o canvis en les polítiques d' accés. També es poden generar informes periòdics que ajudin a complir amb normatives de privacitat com el RGPD.
El núvol és un habilitador clau per escalar aquestes solucions. Els serveis cloud AWS i Azure ofereixen capacitats de còmput elàstic, emmagatzematge de grans volums de dades i desplegament de models de machine learning com a serveis gestionats. En Q2BSTUDIO ajudem les empreses a migrar o construir des de zero arquitectures cloud que suportin el cicle de vida complet d'un sistema biomètric, des de la ingesta de senyals fins a la inferència a la vora (edge computing).
El futur del reconeixement de passos passa per la combinació de múltiples sensors, la millora dels algoritmes per resistir canvis dràstics en l' entorn i la integració amb altres modalitats biomètriques. La competència StepUP demostra que ja existeixen solucions amb taxes d'error inferiors al 10%, cosa que les fa viables per a aplicacions comercials de baixa criticitat. Per a entorns d'alta seguretat, encara es requereix investigació, però el camí està traçat.
En definitiva, la segona edició de l'StepUP no només ha mesurat l'estat de l'art, sinó que ha proporcionat un marc de referència perquè investigadors i empreses avancin junts. La biometria de la trepitjada es perfila com una tecnologia complementària a les existents, amb avantatges únics en termes de no intrusivitat i naturalitat. Des de Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, estem preparats per acompanyar les organitzacions en l'adopció d'aquestes innovacions, oferint des del disseny d'algoritmes fins a la implementació de plataformes completes que integrin intel·ligència artificial, ciberseguretat, cloud i business intelligence. El pas ferm cap a la identificació del futur comença avui.
