论文页面 - AnyMo：几何感知的野外人体运动建模（与设置无关）

来源：https://huggingface.co/papers/2605.22715

摘要

AnyMo 是一个几何感知框架，通过基于物理的 IMU 模拟和图编码实现与设置无关的人体运动建模，可用于跨数据集活动识别和跨模态检索。

随着可穿戴和移动设备日益融入日常生活，它们为在野外连续感知人体运动提供了一种实用途径。但惯性信号高度依赖于传感设置，包括身体位置、佩戴位置、传感器方向、设备硬件和采样协议。这种对设置的依赖使得学到的运动表征难以跨设备和跨数据集迁移，也限制了可穿戴 IMU 在封闭集识别之外的广泛应用。我们提出 AnyMo，一个几何感知框架（https://huggingface.co/papers?q=geometry-aware%20framework），用于与设置无关的人体运动建模。AnyMo 使用基于物理的 IMU 模拟（https://huggingface.co/papers?q=physics-grounded%20IMU%20simulation）在密集的体表放置位置上生成多样且逼真的合成信号；从配对合成放置视图和掩码部分观测（https://huggingface.co/papers?q=masked%20partial%20observations）中预训练图编码器（https://huggingface.co/papers?q=graph%20encoder）；将多位置 IMU（https://huggingface.co/papers?q=multi-position%20IMU）标记化为全身运动令牌（https://huggingface.co/papers?q=full-body%20motion%20tokens），并将这些令牌与LLM（https://huggingface.co/papers?q=LLM）对齐以进行运动-语言理解（https://huggingface.co/papers?q=motion-language%20understanding）。我们在三个互补任务上评估 AnyMo：跨 14 个未见下游数据集的零样本活动识别（https://huggingface.co/papers?q=zero-shot%20activity%20recognition）、跨模态检索（https://huggingface.co/papers?q=cross-modal%20retrieval）和可穿戴 IMU 运动描述（https://huggingface.co/papers?q=wearable%20IMU%20motion%20captioning），在 HAR 上平均 Accuracy/F1/R@2 分别提升 11.7%/11.6%/22.6%；零样本 IMU 到文本和文本到 IMU 检索的 MRR 分别提升 15.9% 和 28.6%；零样本描述的 BERT-F1 提升 18.8%。这些结果支持 AnyMo 作为野外可穿戴运动理解的通用模型。项目页面：https://baiyuchen.com/project/AnyMo。

查看 arXiv 页面（https://arxiv.org/abs/2605.22715）查看 PDF（https://arxiv.org/pdf/2605.22715）项目页面（https://baiyuchen.com/project/AnyMo）GitHub0（https://github.com/Breezelled/AnyMo）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.22715）

在你的 agent 中获取这篇论文：

hf papers read 2605.22715

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2605.22715 以链接到此页面。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.22715 以链接到此页面。

引用此论文的 Spaces0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2605.22715 以链接到此页面。

包含此论文的合集1