Inertia-1统一穿戴动作模型

Inertia-1发布，但它不是又一个机器人VLA

Inertia-1近日公开，目标是探索统一的可穿戴动作基础模型，让同一个模型适应不同传感器、采样率、时间窗口和下游任务。论文以《Inertia-1: An Open Exploration of Wearable Motion Foundation Models》为题，于2026年7月以 arXiv:2607.06617v1 发布，归入机器学习与人工智能方向。

**可穿戴动作基础模型是从加速度计、陀螺仪等身体传感器时间序列中学习通用动作表征，并迁移到活动识别、姿态分析和健康监测等任务的预训练模型。**它处理的不是摄像头画面，也不是机械臂下一步该向哪里移动，而是人体运动在惯性传感器中留下的连续信号。

这一区分很重要。近期具身智能领域密集出现视觉—语言—动作模型，即VLA模型；它们通常根据图像和文字指令生成机器人动作。Inertia-1所说的 motion，则主要指可穿戴设备采集的人体运动。两者都使用“动作基础模型”这个说法，但输入、输出和落地场景并不相同。

真正要统一的是碎片化的数据配置

Inertia-1瞄准的核心问题不是单项识别准确率，而是可穿戴动作研究长期缺少统一的数据坐标系。公开数据集来自手表、手机、胸带、脚环和实验室传感器，设备位置、传感器通道、采样频率、切片长度乃至标签体系都可能不同，导致一个数据集上训练出的模型很难直接复用到另一个数据集。

**采样率是传感器每秒记录信号的次数，通常以Hz表示。**例如，100 Hz意味着每秒产生100个时间点，50 Hz则只有50个；同样持续2秒的动作，前者包含200个采样点，后者只有100个。这里的数字用于说明问题，并非Inertia-1某项实验的固定配置。

**时间窗口是模型一次读取的连续信号长度。**短窗口更适合捕捉脚步、震动和快速手势，长窗口更容易覆盖起身、上下楼或完整运动周期，但计算成本和响应延迟也会随之变化。传统模型常把输入长度写死，换一个窗口就需要重新调整网络或重新训练。

**传感器模态是设备用于描述运动状态的信号类型。**加速度计测量线性加速度，陀螺仪测量角速度，部分设备还会提供磁力计、气压计或心率数据。不同数据集拥有的模态并不一致，简单拼接通道无法解决模态缺失和统计分布不一致的问题。

这些差异共同制造了一个尴尬局面：可穿戴动作数据并不少，但它们很难像互联网文本或图像那样被直接汇总成一个统一训练集。Inertia-1的意义，就是把“怎样让这些彼此不兼容的数据共同训练一个模型”放到研究中心，而不是继续为每个数据集单独定制网络。

“统一”比模型骨干更值得关注

Inertia-1最有价值的部分是统一问题设定，而不是押注某一种神奇网络结构。对于时间序列模型，Transformer、卷积网络和状态空间模型都可以充当骨干；真正困难的是如何把长度不同、频率不同、通道不同的原始信号变成可比较的训练单元。

**统一动作表征是把不同设备和数据配置中的运动信号映射到同一个特征空间。**如果模型真正学会了这种表征，手腕上的加速度变化和腰部传感器记录到的身体摆动，虽然数值形式不同，却可能因为都对应“行走”而在特征空间中接近。

这种统一至少需要同时处理四类不一致：

1. 时间尺度不一致：高频信号包含更细的局部变化，低频信号则更稀疏。
2. 序列长度不一致：不同窗口切分会改变模型看到的动作上下文。
3. 通道与模态不一致：有的数据只有三轴加速度，有的数据还包含陀螺仪等信号。
4. 任务标签不一致：同一个动作可能被标成“walking”“locomotion”或更细的步态类别。

Inertia-1因此更接近一项系统性基础研究：它试图验证可穿戴动作领域能否获得类似语言模型预训练的规模收益，以及哪些数据组合、预训练方式和迁移设置真正有效。论文标题中特意使用“Open Exploration”，也说明团队强调的是开放探索，而不是宣布该领域已经存在一条唯一正确的技术路线。

它和VLA、HAR模型不是一回事

Inertia-1不应被直接描述成“让机器人执行动作的统一模型”。它更准确的定位是 wearable motion foundation model，即面向可穿戴运动信号的基础模型；机器人VLA则是根据视觉观察、语言指令和环境状态生成控制动作的具身模型。

| 模型类别 | 主要输入 | 主要输出 | 典型任务 | Inertia-1所属方向 | |---|---|---|---|---| | 传统HAR模型 | 固定配置的惯性传感器序列 | 活动类别 | 行走、跑步、跌倒识别 | 相邻方向 | | 通用时间序列基础模型 | 多来源数值序列 | 预测值或通用特征 | 预测、异常检测、分类 | 方法上有交集 | | 可穿戴动作基础模型 | 身体设备采集的多模态运动序列 | 通用动作表征或任务结果 | 活动识别、健康与运动分析 | 是 | | 机器人VLA模型 | 图像、文字、机器人状态 | 机械臂或机器人控制动作 | 抓取、导航、长程操作 | 否 |

传统人体活动识别模型，即HAR模型，通常假设训练集与测试集使用相同的传感器配置。它们可以在封闭基准上得到很高的准确率，但一旦设备从腰部换到手腕、采样率下降或者少了陀螺仪，性能往往明显波动。

通用时间序列基础模型则覆盖金融、能源、工业和医疗等多种序列。它们强调跨领域预测能力，但未必显式建模人体运动特有的旋转、周期性、佩戴位置和传感器坐标问题。Inertia-1把研究范围收窄到可穿戴动作，换取更有针对性的归纳偏置和评测设计。

机器人VLA模型与Inertia-1的差别更大。VLA输出的是可执行控制量，例如机械臂末端位姿、关节变化或动作块；Inertia-1侧重从人体传感器中理解“发生了什么”。前者解决行动生成，后者首先解决动作感知与表征。

“首个统一动作基础模型”需要加限定词

把Inertia-1称为“首个统一动作基础模型”容易产生误解，更严谨的表述应是：它是首批系统、开放地探索统一可穿戴动作基础模型的数据配置、训练范式与评测方法的工作之一。论文原题并未把它包装成覆盖机器人控制、视频动作生成和人体传感器的全域动作模型。

“首个”在基础模型研究中尤其需要谨慎。此前已经存在人体活动识别预训练、惯性信号自监督学习、时间序列基础模型和多传感器表征学习等路线；Inertia-1的新增价值，不在于第一次用神经网络处理IMU，而在于把过去零散的变量放进一套统一研究框架中比较。

**IMU是将加速度计、陀螺仪等器件组合起来测量运动状态的惯性测量单元。**IMU数据不包含直接可见的画面，因此隐私风险通常低于持续开启摄像头，但它仍可能暴露用户步态、活动规律、健康状态甚至身份特征，不能被视为完全匿名的数据。

截至2026年7月20日，“开放探索”也不应自动等同于模型权重、全部训练数据和商业许可均已完整开放。判断一个项目是否真正开源，需要分别检查论文、训练代码、预训练权重、数据清单和许可证；只开放项目页面或论文，并不足以保证第三方可以完整复现。

统一模型有三个现实价值

统一模型的第一个价值是降低跨设备适配成本。消费级手表和研究级传感器的硬件规格不同，如果模型只能接受单一频率和固定通道，厂商每换一代设备都要重新收集数据和训练模型。能够处理多种配置的基础模型，才有机会把适配工作从“重训整个系统”降为“少量微调或校准”。

统一模型的第二个价值是改善小样本任务。跌倒、异常步态和部分疾病相关动作很难大规模采集，真实正样本往往远少于日常活动数据。基础模型可以先从大量无标签运动序列中学习周期、方向变化和身体协调模式，再用少量标注完成下游任务。

统一模型的第三个价值是连接个人设备与医疗研究。智能手表擅长持续采集，医院数据则更专业但规模有限；如果表征能够跨设备迁移，研究者就有机会把实验室中的运动评估方法带到日常环境中。不过，这类迁移必须经过临床验证，论文跑分不能直接替代医疗器械审批和真实人群测试。

潜在应用包括：

• 智能手表和运动手环的活动识别；
• 跑姿、步态与训练负荷分析；
• 跌倒检测和老年人安全监测；
• 康复训练动作完成度评估；
• 睡眠期间身体运动与体位分析；
• 工业场景中的人体工学和风险动作识别；
• 为机器人学习提供人体示范的辅助运动信号。

真正的难点不只是把数据喂进Transformer

跨佩戴位置泛化是Inertia-1这类模型最难绕过的问题。手腕摆动、腰部重心变化和脚踝冲击对同一动作的描述完全不同；如果预训练数据的位置分布不均衡，模型可能学到“设备放在哪里”，而不是“人在做什么”。

传感器坐标系也是隐蔽但关键的变量。同一块手表旋转90度后，三轴加速度的数值分配就会变化；设备松紧、左右手佩戴和传感器漂移还会进一步改变信号。真正统一的模型应对旋转、缺失通道和噪声具有鲁棒性，而不能只在标准化实验室数据上工作。

计算成本决定了模型能否进入可穿戴设备。云端大模型可以依靠GPU完成推理，但手表和手环受电池、内存、散热与离线需求限制。一个参数更多、基准成绩略高的模型，如果必须持续上传原始IMU数据，实际价值可能不如一个能在设备端运行的小模型。

数据隐私决定了该方向能走多远。惯性信号看似抽象，却可能识别个人步态、推断作息并暴露身体状况。未来的可穿戴基础模型需要同时考虑本地推理、联邦学习、数据脱敏和用户授权，否则统一数据带来的规模优势会迅速碰到合规边界。

评价Inertia-1，不能只看一张排行榜

评价统一动作基础模型应优先看跨配置迁移，而不是单个数据集上的最高准确率。如果训练和测试来自相同设备、相同采样率与相同佩戴位置，那么模型即使获得更高分，也不能证明它解决了“统一”问题。

| 评测维度 | 应回答的问题 | 为什么重要 | |---|---|---| | 跨数据集迁移 | 在未参与预训练的数据集上是否有效 | 检验是否学到通用动作表征 | | 跨采样率 | 降采样或改变频率后性能下降多少 | 检验对设备规格变化的适应性 | | 跨窗口长度 | 输入持续时间变化后是否稳定 | 检验模型能否处理不同时间尺度 | | 缺失模态 | 去掉陀螺仪等通道后还能否工作 | 对应真实设备配置差异 | | 跨佩戴位置 | 手腕、腰部、脚踝之间能否迁移 | 防止模型记住传感器位置 | | 小样本微调 | 1%、10%等低标注比例下表现如何 | 衡量基础模型是否真正节省标注 | | 端侧效率 | 延迟、内存、能耗和模型体积是多少 | 决定能否落地到可穿戴设备 |

尤其值得关注的是零样本与小样本设置。若一个所谓基础模型必须使用目标数据集的全部标签重新训练，它更像一个性能较好的通用骨干，而不是具备强迁移能力的基础模型。反过来，如果它能在低标注比例下保持优势，统一预训练才真正产生了经济价值。

复现性同样是Inertia-1后续能否成为基准的关键。可穿戴数据预处理包含重采样、滤波、归一化、窗口重叠和数据划分等环节，其中任何一步都可能影响结果；如果只公布最终分数而缺少完整数据管线，其他团队很难判断提升来自模型还是预处理差异。

我们的判断：方向重要，但现在更像起点

Inertia-1最值得肯定的地方，是把可穿戴动作模型从“一个数据集配一个网络”推向统一预训练。大语言模型的成功来自跨任务、跨数据源的规模化训练，而可穿戴运动领域过去一直被数据配置割裂；建立统一模型和公平评测，是这个方向走向规模化的必要条件。

Inertia-1目前更像研究地图，而不是已经完成产品化验证的终点。它需要后续证明三件事：统一模型是否在未见设备上保持稳定，预训练是否显著减少标注需求，以及模型是否能压缩到真实可穿戴硬件中运行。

对开发者而言，短期最该关注的不是“参数量是否更大”，而是数据接口是否统一、预训练权重是否可获得、许可证是否清晰，以及跨设备迁移是否有完整实验。对行业而言，Inertia-1真正可能改变的也不是某一项活动识别跑分，而是可穿戴动作数据长期各自为战的研发方式。

如果这套开放探索能够沉淀成可复现的训练管线、标准化评测和可用权重，Inertia-1会成为穿戴动作基础模型的重要基础设施；如果最终只停留在论文对比，它的影响力就会局限在学术讨论中。这个方向值得重视，但“统一”是否成立，仍要交给跨设备、跨人群和真实端侧部署来验证。

参考来源

• Hugging Face Papers：Inertia-1论文页面：对应 arXiv:2607.06617，可用于核对论文题目、摘要与版本信息。
• 知乎：InternVLA-A1.5开源发布：用于了解机器人视觉—语言—动作模型的同期进展，并与Inertia-1的可穿戴动作建模定位进行区分。