Inertia-1：对统一运动基础模型的开放探索

# Inertia-1 — 通用运动模型 来源：https://yang-ai-lab.github.io/Inertia-1/ 核心理念 ## 迈向通用运动模型 运动是普适的——但过去为它构建的模型并非如此。Inertia-1 将整个领域统一到一个框架之下。 01 碎片化的领域数据集在基本层面就存在分歧——采样率、窗口长度、传感器模态、身体佩戴位置，甚至信号格式——每个任务都需定制专属模型。研究发现很难在不同设置间迁移。 02 一次统一探索Inertia-1 在一个受控空间内完整研究了运动模型的全生命周期——数据、感知、目标函数和规模——而非孤立地逐一尝试。 03 一种通用表示成果：一种能适配不同佩戴位置、设备类型和任务的统一表示——同一骨干网络，能在远超其训练场景的范围内发挥作用。 头胸部背部手臂手腕手部臀部大腿膝盖小腿脚踝加速度计陀螺仪磁力计三轴ENMO0.2 Hz1 Hz5 Hz20 Hz10秒窗口30秒窗口60秒窗口2小时窗口频域时域活动识别步态检测纵向健康研究头胸部背部手臂手腕手部臀部大腿膝盖小腿脚踝加速度计陀螺仪磁力计三轴ENMO0.2 Hz1 Hz5 Hz20 Hz10秒窗口30秒窗口60秒窗口2小时窗口频域时域活动识别步态检测纵向健康研究 我们的发现 超越基准测试，Inertia-1 揭示了决定运动模型能否在实际世界中真正起效的关键选择。 ## 在手腕上学习，即可在全身任何部位使用 基于加速度计数据在手腕上预训练的模型可迁移至身体各部位——头部、胸部、臀部、大腿、膝盖、小腿和脚踝——每个部位都展现出各自独特的运动信号。 只需在手腕上预训练一次，然后就能将模型应用于任何部位。它在从未见过的身体佩戴位置甚至传感器类型（如陀螺仪和磁力计）上依然表现稳健。无需为每个新佩戴位置重新训练。 手腕加速度计预训练可跨传感器和佩戴位置迁移。 手腕加速度计其他传感器 · 陀螺仪、磁力计其他佩戴位置 **融合表示***更高精度 · 更清晰的运动聚类* ## 增加更多数据流，获取更丰富的信号 多数据流融合能改善表示几何结构。 叠加更多数据流——额外佩戴位置、陀螺仪、磁力计——学习到的表示在精度上更优，聚类也更清晰，不同活动形成更紧凑的分组。各数据流具有互补性：每个都能捕捉到其他数据流遗漏的信息。 其他值得关注的点 ## 感知设计是首要选择 如何捕捉运动决定了模型能利用这些数据做什么。以下是一些来自研究中的实用经验法则。 - 预训练模型在低至 1 Hz 的采样率下仍能保持活动识别的稳健性；更精细的健康信号则受益于更高的采样率。 - 30–60 秒的窗口在大多数任务中达到最佳平衡点——足够长以捕捉上下文，足够短以保持敏锐。 - 完整的三轴输入始终优于压缩后的矢量幅度汇总——额外轴携带了值得保留的信号。 - 时域建模在保留步态和健康线索方面优于频域重建。 工作原理 ## 从原始信号到现实洞察，一条龙流程 通用表示通过三个简洁步骤实现。 01 大规模预训练 利用行星级规模的加速度计数据——涵盖全球人群，超过 1800 万小时——通过自监督学习，无需标签。 02 跨场景迁移 将同一表示适配到新的佩戴位置、设备和采样率，只需轻量微调——甚至无需任何调整。 03 跨任务部署 从一个骨干网络驱动活动识别、移动能力和健康应用——从健身追踪到临床筛查。 功能特性 ## 从运动到意义 同一表示贯穿运动理解的全谱系。 ## 人类运动的通用模型 Inertia-1 是迈向统一运动基础模型的第一步——也是向拥有运动数据、新任务或对该领域发展方向有共同兴趣的合作者发出的开放邀请。