Inertia-1: An Open Exploration to a Unified Motion Foundation Model

개요

Inertia-1은 다양한 센서 모달리티, 샘플링 속도, 윈도우 길이, 신체 부위, 신호 형식 등 파편화된 모션 모델링 분야에서 데이터, 센싱, 학습 목표, 규모를 아우르는 단일의 통제된 환경을 구축하여 범용적인 모션 표현을 탐구하는 오픈 프로젝트입니다.

주요 내용

* 단일 모델로 파편화된 모션 모델링 문제 해결: 기존의 모션 모델링 분야는 데이터의 기본적인 정의(샘플링 속도, 윈도우 길이, 센서 종류, 신체 부위 등)에서 불일치가 있고, 각 태스크마다 별도의 모델을 구축하며, 한 설정에서의 결과가 다른 설정으로 전이되기 어려운 단점을 가집니다. Inertia-1은 이러한 문제를 해결하기 위해 단일의 통제된 공간에서 데이터부터 모델링까지 전체 생명주기를 연구합니다.
* 범용적인 모션 표현 학습: Inertia-1의 핵심 성과는 학습된 단일 표현이 다양한 신체 부위, 센서 종류, 데이터 샘플링 속도, 윈도우 길이에 걸쳐 적응하고 작동한다는 것입니다. 이는 훈련 시 보지 못했던 신체 부위나 센서(예: 자이로스코프, 지자기 센서)에서도 별도의 재학습 없이 높은 성능을 유지합니다.
* 추가 센서 및 신체 부위 통합 시 정확도 및 명확성 향상: 여러 신체 부위나 추가 센서(자이로스코프, 지자기 센서)의 데이터를 융합할수록 학습된 표현은 더 정확해지고 활동별 클러스터가 더 명확하게 분리되어 모션 해석의 질이 향상됩니다. 각 센서와 신체 부위는 다른 센서가 놓치는 정보를 보완합니다.
* 실제 환경 적용을 위한 센싱 설계 원칙 도출:
* 활동 인식에는 1 Hz와 같은 낮은 샘플링 속도에서도 사전 학습된 모델이 강력한 성능을 유지하지만, 세분화된 건강 신호 분석에는 더 높은 샘플링 속도가 유리합니다.
* 대부분의 태스크에서 30~60초 길이의 윈도우가 맥락을 포착하기에 충분하고 날카로움을 유지하기에 짧은 최적점을 이룹니다.
* 3축(triaxial) 입력이 벡터 크기 요약보다 더 많은 신호를 보존하여 일관적으로 더 나은 성능을 보입니다.
* 시간 영역(time-domain) 모델링이 주파수 영역(frequency-domain) 재구성보다 보행 및 건강 관련 단서를 더 잘 보존합니다.
* 세 단계로 이루어진 단일 파이프라인:
1. 대규모 사전 학습: 라벨 없이 자가 지도 학습(self-supervision) 방식으로 전 세계 수백만 시간의 가속도계 데이터를 학습합니다.
2. 다양한 환경으로 전이: 학습된 동일한 표현을 경미한 튜닝 또는 튜닝 없이 새로운 신체 부위, 장치, 샘플링 속도에 적응시킵니다.
3. 다양한 태스크에 배포: 피트니스 추적부터 임상 스크리닝까지, 활동, 이동성, 건강 관련 애플리케이션을 단일 백본으로 지원합니다.

시사점

Inertia-1은 단일 백본으로 다양한 신체 부위, 센서, 샘플링 속도, 윈도우 길이, 태스크에 걸쳐 인간의 움직임을 포괄적으로 이해하는 범용 모션 파운데이션 모델 구축을 향한 첫걸음을 내딛었으며, 관련 분야의 발전을 위한 협업을 촉진합니다.