CRUISEResearchGroup/AnyMo-Bench

AnyMo Bench是一个具有挑战性的细粒度野外人类活动识别基准，基于Nymeria数据集中的真实可穿戴惯性测量单元流构建，为可穿戴运动识别提供了未见受试者和跨设备评估设置。该基准包含来自196名受试者的154,695个合格活动窗口，覆盖211.6小时的真实野外IMU数据。IMU流同步到60Hz的时间网格，每行包含一个活动窗口，其中imu数组的形状为[T, 18]，T小于等于300，18个通道分别连接头、左手腕和右手腕各一个选定的IMU。AnyMo Bench is a challenging fine-grained in-the-wild HAR benchmark built from real wearable IMU streams in the Nymeria dataset. It provides unseen-subject and cross-device evaluation settings for wearable motion recognition. The benchmark contains 154,695 eligible activity windows from 196 subjects, covering 211.6 hours of real in-the-wild IMU data. IMU streams are synchronized to a common 60 Hz temporal grid. Each row contains one activity window with an `imu` array of shape `[T, 18]`, where `T <= 300` and the 18 channels concatenate one selected IMU from each of Head, Left Wrist, and Right Wrist.

搜集汇总

数据集介绍

构建方式

AnyMo-Bench 源自 Nymeria 数据集，从真实可穿戴惯性测量单元（IMU）流中提取了 196 名受试者共计 154,695 个有效活动窗口，覆盖 211.6 小时的野外数据。所有 IMU 流被同步至 60 Hz 的统一时间网格，每个窗口包含形状为 [T, 18] 的 IMU 数组（T ≤ 300），其中 18 个通道分别来自头部、左手腕和右手腕各一个选定的 IMU 单元。数据集构建了两种标签空间（Fine150 和 Core50），并设计了未见受试者（US）以及跨设备（USCD）两种评估设置，后者通过切换同一位置的第一/第二 IMU 单元实现设备泛化性测试。

特点

该数据集的核心特点在于其细粒度、野外真实场景以及跨设备评估的挑战性。它包含 150 个细粒度活动类别和 50 个核心活动类别，标签覆盖复杂日常动作。不同于传统实验室数据，AnyMo-Bench 的 IMU 数据来自真实自然环境，具备高动态性。特别地，跨设备设置允许评估模型对硬件差异的鲁棒性，这在可穿戴感知研究中极具价值。每个样本还保留了 Nymeria 原始会话标识与全局时间戳，方便同步其他模态（如 RGB 视频和身体运动），扩展至多模态识别任务。

使用方法

用户可通过 HuggingFace Datasets 库直接加载任意配置，例如 `load_dataset("CRUISEResearchGroup/AnyMo-Bench", "AnyMo-Bench-150-US")`，获取训练集（123,874 行）和测试集（30,965 行）。每个样本包含 `imu` 数组和 `label` 字段，可直接用于 IMU 时序分类模型。对于多模态对齐，可利用 `session_id` 与 `start_t_ns_global`、`end_t_ns_global` 字段映射至 Nymeria 原始数据，在对应时间区间内提取视频或动捕剪辑。推荐遵循官方基准代码以实现公平比较。

背景与挑战

背景概述

人体运动识别（HAR）领域长期面临在野外观测（in-the-wild）条件下细粒度动作分类的挑战，传统基于固定传感器配置的方法难以泛化至不同设备与受试者。AnyMo-Bench由CRUISE研究组主导开发，于2026年正式发布，旨在提供首个面向真实可穿戴IMU流的细粒度、跨设备与跨受试者评测基准。该数据集源自Nymeria大规模多模态采集体感数据，涵盖196名受试者、超210小时的真实野外活动记录，并精选154,695个活动窗口。通过首次引入“未见受试者+跨设备”联合评测范式（USCD），AnyMo-Bench推动了HAR向更具现实适配性的方向演进，成为评估IMU驱动动作识别泛化能力的重要里程碑。

当前挑战

AnyMo-Bench所解决的核心领域挑战在于细粒度野外HAR在未知受试者与未知传感器配置下的性能退化问题——传统模型在该设定下Acc@1可骤降至1.9%，暴露了领域自适应与设备偏移适应的重大瓶颈。构建过程中亦面临多重难题：需从Nymeria原始数据中精确对齐分布于头与双腕的IMU多维信号（加速度+陀螺仪，共18通道），确保60Hz时间网格同步；需定义150类精细动作标签（Fine150）与50类核心标签（Core50），并手动剔除不平衡窗口；还需通过窗口截断策略（T≤300）解决变长序列问题。这些挑战共同奠定了AnyMo-Bench作为HAR领域诊断性评测平台的技术基础。

常用场景

经典使用场景

AnyMo-Bench是一个专为野外真实场景下细粒度人体活动识别（HAR）设计的基准数据集，其经典使用场景在于评估模型在未见受试者（Unseen-Subject）以及跨设备（Cross-Device）情境下的泛化能力。该数据集从Nymeria多模态数据中提取了超过15万段经过同步处理的惯性测量单元（IMU）时间序列窗口，涵盖了头部与双腕共三处体位的加速度计和陀螺仪信号。研究者可利用其提供的Fine150或Core50标签体系，在统一的60Hz时间框架下训练并验证各类时序模型在复杂动态环境中的识别鲁棒性。

衍生相关工作

基于AnyMo-Bench，研究者已衍生出若干具有代表性的方法论工作。例如，MantisV2采用多层次时间卷积与注意力融合架构，在无设备偏移条件下取得了最优的Macro-F1分数；而COMODO则专门针对跨设备场景设计了一致性对齐策略，其在USCD设置下的Top-1准确率显著超越基线DeepConvLSTM。这些工作不仅验证了基准构建的前瞻性，也揭示了当前HAR模型对设备类别敏感的瓶颈所在。未来，该数据集有望催生更多关于领域泛化、增量学习与轻量化模型压缩的探索性研究。

数据集最近研究

最新研究方向

AnyMo-Bench作为基于真实穿戴IMU数据的细粒度野外人体活动识别（HAR）基准，当前研究聚焦于解决跨主体、跨设备的泛化性挑战。前沿方向包括在Fine150与Core50标签空间上，利用MantisV2、COMODO等模型开展未见对象与跨设备评估，其中COMODO在跨设备场景下展现出显著优势（如Core50下Acc@1达32.6%）。该基准源自Nymeria数据集，其时间码映射机制支持与RGB视频、人体运动等多模态数据的对齐，推动了多模态活动识别与域适应技术的融合发展。AnyMo-Bench的提出为真实世界中无约束环境的运动建模提供了标准化评测平台，对智能穿戴、人机交互及上下文感知计算等领域具有深远意义。