SensingAgents：面向鲁棒IMU活动识别的多智能体协作框架

使用惯性测量单元（IMU）传感器的人类活动识别（HAR）是移动健康、智能环境与人机交互的基石。但当前基于深度学习的HAR模型常困于严重依赖标注数据、位置特定歧义与缺乏透明推理。受模拟LLM协作智能体的先进智能体框架启发，我们提出SensingAgents：一个面向鲁棒IMU活动识别的新型多智能体系统。SensingAgents把LLM驱动的智能体组织为专门角色：一组负责位置特定传感器分析的分析智能体（手臂、手腕、腰带、口袋）、一对经动态与静态辩证辩论解决传感器冲突的辩护智能体，以及确保传感器漂移或故障下可靠性的决策智能体。在Shoaib数据集上的评估显示，SensingAgents显著超越SOTA单智能体与多智能体LLM模型：zero setting 下准确率79.5%，较既有智能体模型高29%、较深度学习基线高9.4%，在多传感器数据冲突或嘈杂的复杂场景中尤甚。我们的工作凸显多智能体协作推理对提升普适感知系统鲁棒性与可解释性的潜力。