SenseAgent：用于自适应跨域 IMU 传感的 LLM Agent

深度学习改进了移动和可穿戴应用的惯性测量单元 (IMU) 传感。然而，在一个领域训练的 IMU 模型在与新用户、设备或身体位置一起使用时通常会变得不可靠。现有方法通常将此问题视为静态模型设计任务：它们预训练更强的表示、添加数据增强或在部署之前选择一种适应方法。在实践中，目标域只是逐渐被观察到，标签稀缺，并且不同的域转移需要不同的感知动作。本文介绍了 SenseAgent，一种用于跨域 IMU 活动识别的 LLM 引导传感Agent。 SenseAgent 没有要求 LLM 对原始 IMU 信号进行分类，而是使用 LLM 作为传感工具、源域经验内存、在线目标内存和验证器的运行时规划器。该Agent根据目标流构建无标签诊断报告，并使用它来决定是否保留原始推理或调用专用工具，包括重力感知传感、原型传输和风格标准化。验证者在接受高风险工具决策之前会检查源校准、目标内存可靠性和无伤害标准。 SenseAgent 还支持稀缺反馈，无需重新训练主干网或更换无标签路由。该设计将跨域 IMU 传感从固定推理管道转换为闭环传感过程，该过程可诊断目标变化、选择合适的传感操作并拒绝不安全的适应。我们跨多个 IMU 数据集和部署班次评估 SenseAgent。结果表明，其经过验证的路线选择改善了跨域传感，尤其是在较硬的放置和复合移位的情况下，并进一步受益于有限的用户反馈。