Inertia-1 : Modèles de Mouvement Ouverts pour Appareils Portables

Les chercheurs ont publié un prétirage Inertia-1 sur arXiv en juillet 2026 — un modèle de fondation complètement ouvert de mouvement pour les appareils portables, entraîné sur des données de plus de 18,2 millions d'heures d'enregistrements d'accéléromètre provenant 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 humaine, ce qui en fait un candidat naturel pour les modèles de fondation. Les auteurs du prétirage notent que les principes du préentraînement et de la mise à l'échelle pour de tels capteurs ont été peu étudiés jusqu'à présent. Selon eux, les travaux antérieurs ont examiné des solutions isolées — par exemple, le placement du capteur ou la fréquence d'échantillonnage — généralement avec des paramètres fixes et sur des tâches appliquées étroites qui ne reflètent pas la réelle diversité des conditions de capteurs.

Ce que les auteurs ont exactement étudié

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

• Corpus d'entraînement — plus de 18,2 millions d'heures de données d'accéléromètre provenant de sources mondiales
• Paramètres de données à étudier — modalité du capteur, placement du dispositif sur le corps, fréquence d'échantillonnage, longueur de la fenêtre temporelle
• Paramètres du modèle à étudier — architecture et taille du modèle
• Paramètres d'entraînement à étudier — objectif de préentraînement et échelle des données d'entraînement
• Test — 15 ensembles de données de différents domaines d'application

Cette portée, de par la conception des auteurs, leur permet d'isoler les effets de chaque décision individuelle de la qualité globale du modèle — c'est-à-dire de comprendre quelles données, architectures et stratégies d'entraînement déterminent réellement la qualité d'un modèle de fondation de mouvement, et lesquelles ne semblent importantes que dans les expériences étroites. Auparavant, selon les auteurs, de telles décisions ont été étudiées isolément et presque toujours avec des paramètres fixes, ce qui n'a pas permis une comparaison directe de leur contribution à la qualité finale du modèle.

Quelles tâches les chercheurs ont évaluées

Les auteurs ont évalué Inertia-1 sur 15 ensembles de données couvrant trois classes de tâches appliquées : la reconnaissance d'activité humaine, la détection du gel de la marche — un symptôme de la maladie de Parkinson, et la prédiction de maladie à partir de données de mouvement. Selon eux, des expériences étendues sur ces 15 ensembles de données ont révélé des modèles inattendus importants pour construire des modèles de mouvement qui se généralisent entre différentes tâches et conditions de capteurs, plutôt que de fonctionner uniquement dans le scénario étroit pour lequel ils ont été initialement entraînés.

"Inertia-1 n'offre pas seulement des recettes avancées pour diverses

tâches appliquées, mais sert également de livre de recettes complet, pratique et ouvert pour entraîner les représentations de mouvement basées sur des capteurs portables", indique l'annotation du prétirage sur arXiv.

Ce que cela signifie

La publication ouverte du cycle complet d'expériences — données, architectures et objectifs d'entraînement — donne aux développeurs d'appareils portables et aux applications médicales un ensemble éprouvé de recettes pour construire leurs propres modèles de mouvement au lieu de solutions fragmentées et mal reproductibles qui étaient typiques de ce domaine auparavant. Ceci est particulièrement important pour les tâches liées à la santé — comme l'identification des symptômes de la maladie de Parkinson à partir de données d'accéléromètre, où la qualité du modèle affecte directement la précision du diagnostic.