SensingAgents：用于鲁棒 IMU 活动识别的多智能体协作框架
人工智能
2026-05-07 v1
摘要
使用惯性测量单元 (IMU) 传感器进行人类活动识别 (HAR) 是移动健康、智能环境和人机交互的基石。然而，当前基于深度学习的 HAR 模型通常面临严重依赖标注数据、位置特定歧义以及缺乏透明推理等挑战。受利用大语言模型 (LLM) 模拟协作智能体的高级智能体框架启发，我们提出了 SensingAgents，一种用于鲁棒 IMU 活动识别的新型多智能体系统。SensingAgents 将由 LLM 驱动的智能体组织为专门的角色：一组用于特定位置传感器分析（手臂、手腕、腰带、口袋）的分析师智能体，一对通过动态和静态辩证辩论解决传感器冲突的辩护智能体，以及一个确保在传感器漂移或故障下可靠性的决策智能体。在 Shoaib 数据集上的评估表明，SensingAgents 显著优于最先进的单智能体和多智能体 LLM 模型，在零样本设置下实现了 79.5% 的准确率——比现有智能体模型高 29%，比深度学习基线高 9.4%——尤其是在多传感器数据冲突或嘈杂的复杂场景中表现突出。我们的工作突显了多智能体协作推理在推进泛在感知系统鲁棒性和可解释性方面的潜力。
引用
@article{arxiv.2605.04608,
title = {SensingAgents: A Multi-Agent Collaborative Framework for Robust IMU Activity Recognition},
author = {Naiyu Zheng and Tianlong Yu and Haochen Yin and Xiaoyi Fan and Xiping Hu and Zhimeng Yin},
journal= {arXiv preprint arXiv:2605.04608},
year = {2026}
}