Inertia-1: 統一モーション基盤モデルへのオープンな探求
Inertia-1: An Open Exploration to a Unified Motion Foundation Model (yang-ai-lab.github.io)
要約
Inertia-1は、人間の動きを理解するための統一された基盤モデルを目指す研究プロジェクトです。このモデルは、手首の加速度計データで事前学習された後、体の他の部位や異なるセンサー、さらには低いサンプリングレートでも、様々なタスク(活動認識、歩行分析、長期的な健康予測など)に汎用的に適用できることが示されています。これにより、モーションデータの断片化された分野を統合し、より効率的でロバストなモーション分析が可能になります。
全文翻訳
Inertia-1
ビッグアイデア
1つの汎用モーションモデルに向けて
モーションは普遍的ですが、それをモデル化する手法は断片的でした。Inertia-1は、この広範な領域を一つの屋根の下に集約します。
01 断片化された分野
データセットは、サンプリングレート、ウィンドウ長、センサーモダリティ、体の配置、さらには信号フォーマットといった基本的な点で意見が一致していません。そして、各タスクにはそれぞれ独自のカスタムモデルが用意されています。その結果、ある設定で見出された知見が、別の設定に持ち越されることは稀です。
02 統一された探求
Inertia-1は、個別の事例の積み重ねではなく、単一の制御された空間内で、データ、センシング、目的、スケールといったモーションモデルのライフサイクル全体を研究します。
03 汎用的な表現
その成果は、配置、デバイス、タスクを超えて適応する単一の表現です。これは、学習された環境をはるかに超えて機能する、同じバックボーンです。
Head Chest Back Arm Wrist Hand Hip Thigh Knee Shin Ankle Accelerometer Gyroscope Magnetometer Triaxial ENMO 0.2 Hz 1 Hz 5 Hz 20 Hz 10 s window 30 s window 60 s window 2 hr window Frequency domain Time domain Activity recognition Gait detection Longitudinal health Head Chest Back Arm Wrist Hand Hip Thigh Knee Shin Ankle Accelerometer Gyroscope Magnetometer Triaxial ENMO 0.2 Hz 1 Hz 5 Hz 20 Hz 10 s window 30 s window 60 s window 2 hr window Frequency domain Time domain Activity recognition Gait detection Longitudinal health
発見したこと
ベンチマークを超えて、Inertia-1は、モーションモデルが実際に実世界で機能するかどうかを決定する選択肢を明らかにします。
手首で学習させ、体のどこでも使用する。
[画像: 加速度計で事前学習された手首のセンサーが、頭、胸、腰、太もも、膝、すね、足首といった体の他の部位に転移し、それぞれのモーション信号を示している。]
一度手首で事前学習させれば、あとはモデルを体のどこにでも向けられます。学習中に見たことのない体の配置や、ジャイロスコープ、磁力計といったセンサータイプでも、その性能は維持されます。体の各部位ごとに再学習する必要はありません。
[画像: 手首の加速度計による事前学習が、センサーや配置を超えて転移する。]
手首の加速度計
他のセンサー・ジャイロ、磁力計
他の配置
融合表現 より高い精度・よりクリーンなモーションクラスタ
ストリームを追加して、より多くの信号を得る。
[画像: マルチストリーム融合が表現の幾何学的構造を改善する。]
追加の配置やジャイロスコープ、磁力計といったストリームを積み重ねると、学習された表現はより正確になり、よりクリーンになり、アクティビティはよりタイトなクラスタに分離されます。ストリームは互いに補完し合います。それぞれが、他のストリームが見落とす何かを捉えています。
知っておくべきこと
センシング設計は第一次の選択である
モーションをどのようにキャプチャするかが、モデルがそれを使って何ができるかを形作ります。この研究から得られた実用的な経験則をいくつか紹介します。
-
事前学習済みモデルは、アクティビティ認識においては1 Hzという低いレートでも強力さを維持します。より細かい粒度の健康信号には、より高いサンプリングレートが有益です。
-
30〜60秒のウィンドウは、ほとんどのタスクにおいてスイートスポットに当たります。コンテキストを捉えるには十分長く、シャープさを保つには十分短いのです。
-
完全な3軸入力は、ベクトルマグニチュードを単純化した要約よりも一貫して優れています。追加の軸は保持する価値のある信号を持っています。
-
時間領域モデリングは、周波数領域再構築よりも歩行や健康のキューをより良く保存します。
仕組み
1つのパイプライン、生信号から実世界の洞察まで
汎用的な表現は、3つの明確なステップで統合されます。
01
スケールでの事前学習
ラベル不要の自己教師あり学習により、惑星規模の加速度計データ(グローバルコホート全体で1800万時間以上)から学習します。
02
設定を超えた転移
同じ表現を、軽いチューニング、あるいは全くチューニングせずに、新しい配置、デバイス、サンプリングレートに適応させます。
03
タスクを超えた展開
フィットネストラッキングから臨床スクリーニングまで、1つのバックボーンからアクティビティ、移動能力、健康アプリケーションを強化します。
能力
動きから意味へ
同じ表現が、モーション理解の全スペクトルを網羅します。
NeurIPS 2026
人間のモーションのための1つの汎用モデル
Inertia-1は、統一されたモーション基盤モデルに向けた第一歩であり、モーションデータ、新しいタスク、あるいはこの分野の進むべき方向に関心を持つ協力者へのオープンな招待状です。