Inertia-1 : des modèles de mouvement ouverts pour les objets connectés portés

En juillet 2026, des chercheurs ont publié sur arXiv un preprint d'Inertia-1, un modèle de fondation du mouvement entièrement ouvert pour les appareils portables, entraîné sur plus de 18,2 millions d'heures d'enregistrements d'accéléromètres issus de sources mondiales.

Pourquoi un tel modèle est nécessaire

Les capteurs de mouvement portables offrent une fenêtre continue et évolutive sur le comportement et la santé des personnes, ce qui en fait des candidats naturels pour les modèles de fondation. Les auteurs du preprint notent que les principes de préentraînement et de passage à l'échelle pour ce type de capteurs restent mal étudiés. Selon eux, les travaux précédents examinaient des choix isolés, comme l'emplacement du capteur ou la fréquence d'échantillonnage, généralement avec des réglages fixes et sur des tâches appliquées étroites, qui ne reflètent pas la diversité réelle des conditions de captation.

Ce que les auteurs ont étudié précisément

Inertia-1 est un cadre contrôlé pour étudier le cycle de vie complet des modèles de fondation du mouvement, du choix des données à l'architecture et à la stratégie d'entraînement. Le travail couvre trois groupes de décisions et s'appuie sur un vaste corpus de données rassemblé à partir de sources mondiales.

• Corpus d'entraînement : plus de 18,2 millions d'heures de données d'accéléromètres issues de sources mondiales
• Paramètres de données étudiés : modalité du capteur, emplacement de l'appareil sur le corps, fréquence d'échantillonnage, longueur de la fenêtre temporelle
• Paramètres du modèle étudiés : architecture et taille du modèle
• Paramètres d'entraînement étudiés : objectif de préentraînement (pretraining objective) et échelle des données d'entraînement
• Évaluation : 15 jeux de données issus de différents domaines d'application

Dans l'idée des auteurs, cette couverture permet de distinguer l'effet de chaque décision de la qualité globale du modèle. Autrement dit, elle permet de comprendre quelles données, architectures et stratégies d'entraînement déterminent réellement la qualité d'un modèle de fondation du mouvement, et lesquelles ne semblent importantes que dans des expériences étroites. Auparavant, selon les auteurs, ces décisions étaient étudiées isolément et presque toujours avec des réglages fixes, ce qui empêchait de comparer directement leur contribution à la qualité finale du modèle.

Quelles tâches les chercheurs ont testées

Les auteurs ont évalué Inertia-1 sur 15 jeux de données couvrant trois classes de tâches appliquées : la reconnaissance de l'activité humaine (human activity recognition), la détection du blocage de la marche, un symptôme de la maladie de Parkinson (freezing-of-gait detection), et la prédiction de maladies à partir de données de mouvement. Selon eux, des expériences approfondies sur ces 15 jeux de données ont révélé des tendances inattendues, importantes pour construire des modèles de mouvement qui se généralisent à différentes tâches et conditions de captation, au lieu de ne fonctionner que dans le scénario étroit pour lequel ils ont été entraînés à l'origine.

«

Inertia-1 n'offre pas seulement des recettes de pointe pour différentes applications, mais sert aussi de livre de recettes complet, pratique et ouvert pour entraîner des représentations du mouvement à partir de capteurs portables », indique le résumé du preprint sur arXiv.

Ce que cela signifie

La publication ouverte du cycle complet d'expériences, avec les données, les architectures et les objectifs d'entraînement, donne aux développeurs d'appareils portables et d'applications médicales un ensemble éprouvé de recettes pour construire leurs propres modèles de mouvement, à la place des solutions éparses et peu reproductibles qui étaient typiques du domaine. C'est particulièrement important pour les tâches de santé, comme la détection des symptômes de la maladie de Parkinson à partir de données d'accéléromètres, où la qualité du modèle influe directement sur la précision du diagnostic.