💻 computer science

GenHAR: Generalizing Cross-domain Human Activity Recognition for Last-mile Delivery

GenHAR es un marco novedoso que aborda los desplazamientos de distribución entre dominios en el Reconocimiento de Actividades Humanas mediante la tokenización de datos de sensores y el uso de enmascaramiento selectivo con atención eficiente para lograr precisión y eficiencia de vanguardia, validado por una implementación a gran escala en el mundo real en la entrega de última milla.

Autores originales: Zhiqing Hong, Zelong Li, Xiubin Fan, Guang Yang, Baoshen Guo, Haotian Wang, Tian He, Desheng Zhang

Publicado 2026-05-22

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zhiqing Hong, Zelong Li, Xiubin Fan, Guang Yang, Baoshen Guo, Haotian Wang, Tian He, Desheng Zhang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñar a un robot a reconocer cuándo un repartidor está caminando, subiendo escaleras o quieto. Entrenas al robot utilizando datos de un grupo específico de repartidores en Pekín. Pero cuando envías ese mismo robot a trabajar con repartidores en Shanghái, o incluso con diferentes repartidores en la misma ciudad, empieza a cometer errores. Se confunde porque la "voz" de los datos suena diferente: quizás los teléfonos se llevan en bolsillos distintos, o los repartidores caminan con estilos diferentes.

Este es el problema que resuelve el artículo GenHAR. Es un nuevo sistema diseñado para ayudar a las computadoras a reconocer actividades humanas (como caminar o subir escaleras) incluso cuando los datos provienen de un "mundo" completamente diferente al de su entrenamiento.

Así es como funciona, desglosado en conceptos simples:

1. El Problema: La Cuestión del "Acento"

Piensa en los datos de los sensores (de un teléfono o un reloj) como si fueran una persona hablando. Si entrenas a un traductor para entender el acento de una persona específica, podría tener dificultades cuando esa persona habla con un amigo con un acento diferente. En el mundo de la entrega, cada repartidor se mueve ligeramente de forma distinta, lleva su teléfono en un lugar diferente y usa un dispositivo distinto. Esto crea un "cambio de distribución": los datos se ven lo suficientemente diferentes como para que la IA antigua se confunda y falle.

La mayoría de las IAs anteriores intentaron solucionar esto mostrando ejemplos del nuevo grupo (el dominio "objetivo") durante el entrenamiento. Pero en el mundo real, a menudo no puedes obtener esos datos de antemano. Necesitas un sistema que aprenda de un grupo y funcione instantáneamente para cualquier otro grupo sin necesidad de entrenamiento adicional.

2. La Solución: Escuchar la "Música" en lugar de las "Palabras"

Los autores se dieron cuenta de que observar los datos crudos (las "palabras" o la línea de tiempo del movimiento) es demasiado ruidoso. En su lugar, decidieron traducir el movimiento al espacio de frecuencias (la "música").

La Analogía: Imagina a dos personas cantando la misma canción. Una la canta rápido, la otra lenta. Si miras las palabras (el tiempo), se ven muy diferentes. Pero si miras la partitura (la frecuencia), la melodía y las notas son casi idénticas.
La Innovación: GenHAR convierte los datos de movimiento crudos en esta "partitura de frecuencias". Descubrió que la "melodía" de una actividad (como caminar) permanece igual incluso si el "tempo" o el "instrumento" (el teléfono o la persona específica) cambian. Esto hace que la IA sea mucho más robusta.

3. El Secreto: La "Orquesta de Sensores"

Una vez que los datos están en este formato de frecuencia, GenHAR utiliza un tipo especial de mecanismo de atención.

La Analogía: Imagina una orquesta. Una IA regular podría escuchar la sección de Violines e intentar entender toda la canción solo observando cómo cambian las notas del violín con el tiempo.
El Enfoque de GenHAR: GenHAR actúa como un director que escucha cómo se hablan entre sí los Violines, los Violonchelos y los Tambores. Se da cuenta de que la relación entre los diferentes sensores (acelerómetros y giroscopios) es la clave para entender la actividad.
Enmascaramiento Selectivo: Para ahorrar energía, no escucha todas las conversaciones posibles entre instrumentos. Sabe que el acelerómetro "Izquierda-Derecha" realmente no necesita hablar con el giroscopio "Arriba-Abajo". Silencia esas conversaciones innecesarias, haciendo que el sistema sea increíblemente rápido y eficiente.

4. Los Resultados: Más Rápido, Más Inteligente y Probado en el Mundo Real

El artículo afirma tres grandes victorias:

Precisión: Es significativamente más preciso que los métodos actuales de vanguardia (aproximadamente un 10% mejor en promedio). No solo adivinó; aprendió la verdadera "melodía" de la actividad.
Eficiencia: Es mucho más ligero. Requiere 6.4 veces menos potencia de cálculo que los mejores modelos existentes. Esto es crucial porque los repartidores utilizan estos modelos en sus teléfonos, que tienen batería y capacidad de procesamiento limitadas.
Despliegue en el Mundo Real: El equipo no solo probó esto en un laboratorio. Se asociaron con JD Logistics, una importante empresa de entregas en China. Instalaron GenHAR en los teléfonos de 9,985 repartidores en 4 ciudades.
- En solo un mes, el sistema detectó con éxito 2.15 mil millones de actividades.
- Identificó con precisión cuándo los repartidores estaban caminando, subiendo escaleras o quietos, aunque fue entrenado con datos de un conjunto completamente diferente de personas.

5. Por Qué Esto Importa para la Entrega

El artículo destaca dos formas específicas en las que esto ayuda a la empresa logística:

Cargas de Trabajo Más Justas: Al saber exactamente cuánto escalada o caminata hace un repartidor, la empresa puede asignar trabajos de manera más justa. Si un edificio no tiene ascensor, el sistema sabe que ese repartidor hizo "trabajo extra" y puede ajustar su pago o carga de tareas en consecuencia.
Mejores Mapas: El sistema ayuda a verificar las direcciones de envío. Si un repartidor dice que está en una dirección específica pero el teléfono indica que está conduciendo continuamente, el sistema sabe que la dirección podría ser incorrecta. Esto les ayudó a mapear más de 6.8 millones de direcciones de envío con alta precisión.

En resumen: GenHAR es una IA inteligente y ligera que aprende la "melodía universal" del movimiento humano. Ignora el ruido de los diferentes teléfonos y personas, permitiéndole reconocer actividades perfectamente en cualquier lugar, en cualquier momento, sin necesidad de ser reentrenada.

Resumen Técnico: GenHAR – Generalización del Reconocimiento de Actividades Humanas entre Dominios para la Entrega de Última Milla

1. Enunciado del Problema

El Reconocimiento de Actividades Humanas (HAR) utilizando sensores de Unidad de Medición Inercial (IMU) es crítico para aplicaciones como la atención sanitaria inteligente y la logística de entrega de última milla. Sin embargo, una barrera significativa para su despliegue en el mundo real es el desplazamiento de distribución entre dominios. Los modelos entrenados con datos de un dominio fuente específico (por ejemplo, un usuario concreto, una colocación del dispositivo o un entorno determinado) a menudo sufren una degradación marcada del rendimiento al ser probados en dominios objetivo no vistos, debido a variaciones en la posición del sensor, patrones de comportamiento individuales y ruido ambiental.

Las soluciones existentes suelen basarse en la Adaptación de Dominio, que requiere acceso a datos del dominio objetivo (a menudo no etiquetados) durante el entrenamiento. No obstante, en escenarios prácticos como la entrega de última milla, la recopilación y etiquetado de datos del dominio objetivo suelen ser inviables, consumir mucho tiempo y ser costosos. En consecuencia, el desafío consiste en lograr la Generalización de Dominio: entrenar un modelo exclusivamente con datos del dominio fuente que pueda generalizar eficazmente a dominios objetivo no vistos sin acceso a ningún dato objetivo. Además, estos modelos deben ser lo suficientemente eficientes computacionalmente para ejecutarse en tiempo real en dispositivos móviles y periféricos con recursos limitados.

2. Metodología: El Marco GenHAR

GenHAR es un marco novedoso diseñado para aprender representaciones de sensores invariantes al dominio puramente a partir de datos del dominio fuente. Aborda los desafíos del desplazamiento de distribución y la eficiencia computacional mediante tres principios de diseño centrales:

A. Transformación al Espacio de Frecuencias

A diferencia de la mayoría de los métodos HAR existentes que operan en el dominio temporal, GenHAR transforma los datos de series temporales de IMU crudos al dominio de frecuencias utilizando la Transformada Rápida de Fourier (FFT).

Fundamento: Las características del dominio temporal son altamente sensibles a factores aleatorios como el ruido y las preferencias de movimiento sutiles, lo que genera desplazamientos de distribución significativos entre dominios. En contraste, las características de frecuencia (específicamente la amplitud) son más robustas ante desplazamientos temporales y exhiben brechas de distribución más pequeñas entre los dominios fuente y objetivo.
Amplitud frente a Fase: El marco utiliza específicamente características de amplitud en lugar de fase o valores complejos. El análisis empírico muestra que las características de fase son altamente sensibles a la orientación del dispositivo y al ruido, mientras que las características de amplitud permanecen relativamente estables a través de diferentes dominios. La Distancia del Transportista de Tierra (EMD) entre dominios es significativamente menor en el espacio de amplitud en comparación con los espacios de fase o tiempo.

B. Mecanismo de Autoatención Específico por Sensor

GenHAR emplea una arquitectura basada en Transformer, pero introduce un novedoso mecanismo de Autoatención Específica por Sensor en el espacio de frecuencias.

Tokenización: En lugar de tratar los pasos de tiempo individuales como tokens, toda la secuencia de componentes de amplitud para un solo canal de sensor se trata como un único token.
Aprendizaje de Correlación: El mecanismo de atención se calcula a través de la dimensión del canal del sensor (por ejemplo, entre los ejes X, Y, Z de un acelerómetro y un giroscopio) en lugar de a lo largo de la secuencia temporal. Esto captura las correlaciones físicas inherentes entre diferentes canales de sensores, que los autores argumentan son más invariantes al dominio que las señales de canales individuales.
Enmascaramiento Selectivo: Para mejorar la eficiencia y la relevancia física, se aplica una estrategia de enmascaramiento selectivo. Enmascara las correlaciones entre mediciones físicamente no relacionadas (por ejemplo, el eje X de un acelerómetro y el eje Y de un giroscopio) mientras preserva las correlaciones dentro del mismo tipo de sensor o a través de ejes correspondientes (por ejemplo, $Acc_x$ y $Gyro_x$ ). Esto reduce la computación innecesaria y centra el modelo en relaciones significativas intra e inter-sensor.

C. Optimización de la Eficiencia

Para cumplir con los requisitos de tiempo real de los dispositivos móviles, GenHAR reduce significativamente la complejidad computacional:

Al calcular la atención a lo largo de la dimensión del canal del sensor (típicamente 6 ejes) en lugar de la longitud completa de la secuencia temporal, la complejidad se reduce drásticamente.
El mecanismo de enmascaramiento selectivo reduce aún más las operaciones de multiplicación de matrices en aproximadamente un 33,3%.
El marco elimina el "componente de CC" y la segunda mitad simétrica del espectro FFT para minimizar aún más el tamaño de entrada.

3. Contribuciones Clave

El artículo afirma las siguientes contribuciones:

Primer HAR entre Dominios en Espacio de Frecuencias: Hasta donde se sabe por los autores, este es el primer trabajo que aborda el HAR entre dominios aprendiendo la atención del sensor específicamente dentro del espacio de frecuencias de la señal, sin requerir datos de entrenamiento del dominio objetivo.
Arquitectura Novedosa: El diseño de GenHAR, un Transformer en espacio de frecuencias que captura correlaciones de sensores mediante un módulo de autoatención por canal, demostrando que las representaciones de IMU generalizables pueden aprenderse puramente desde el dominio de frecuencias.
Rendimiento y Eficiencia Superiores: Experimentos extensivos muestran que GenHAR supera a las líneas base del estado del arte (SoA) siendo significativamente más eficiente.
Despliegue en el Mundo Real: El marco se desplegó con éxito en un entorno industrial a gran escala para la entrega de última milla.

4. Resultados Experimentales

Los autores evaluaron GenHAR en cuatro conjuntos de datos del mundo real (UCI, Shoaib, Motion, HHAR) que involucraban cuatro actividades compartidas (caminar, estar de pie/sentado, subir escaleras, bajar escaleras).

Precisión: GenHAR logró una precisión media entre dominios de 81,42%, superando al segundo mejor modelo (UniHAR) en 9,97%. Superó consistentemente a otras líneas base, incluidos métodos de preentrenamiento (LIMUBERT, ContraTSC) y métodos de adaptación/generalización de dominio (SDMix, UniHAR).
Eficiencia:
- FLOPs: GenHAR redujo las Operaciones de Punto Flotante en 6,4 veces en comparación con el mejor modelo de línea base.
- Cálculo de Autoatención: El diseño de atención específica por sensor resultó en una reducción de 43,2 veces en el cálculo de autoatención en comparación con la atención de frecuencia estándar.
- Tiempo de Inferencia: En dispositivos móviles (PDAs), el tiempo de inferencia promedio fue de 0,00647 segundos, y en relojes inteligentes, fue de 0,02505 segundos.
Estudios de Ablación:
- Eliminar las características de frecuencia (usando entradas del dominio temporal) causó una caída de 13,51% en la precisión.
- Reemplazar la amplitud con características de fase causó una caída de 31,19% en la precisión, confirmando la superioridad de las características de amplitud para la invariancia de dominio.
- Reemplazar la atención específica por sensor con atención temporal estándar causó una caída de 17,10% en la precisión.

5. Despliegue en el Mundo Real y Significado

El artículo destaca el despliegue de GenHAR en JD Logistics en 4 ciudades involucrando a 9.985 repartidores.

Escala: En un mes, el sistema detectó 2.150 millones de actividades en tiempo real (1.840 millones estáticas, 215 millones caminando, 54,8 millones subiendo escaleras, 39,8 millones bajando escaleras).
Aplicaciones:
- Comprensión de la Carga de Trabajo: El sistema identifica escenarios de entrega de alto esfuerzo (por ejemplo, edificios sin ascensores) para apoyar compensaciones equitativas y algoritmos de despacho justos.
- Minería de Ubicaciones de Direcciones: Al combinar el reconocimiento de actividades con trayectorias GPS, el sistema infirió las ubicaciones de más de 6,8 millones de direcciones de envío con una precisión del 93,3% (dentro de 100 metros), mejorando la navegación logística y la asignación de paquetes.

6. Significado Afirmado

Los autores posicionan a GenHAR como un avance significativo para la entrega de última milla y la IA basada en sensores en general. El significado radica en:

Resolver el Problema de Escasez de Datos: Proporciona una solución viable para el HAR entre dominios donde los datos del dominio objetivo no están disponibles, una restricción común en la logística del mundo real.
Diseño Impulsado por la Física: El éxito del enfoque de espacio de frecuencias y atención específica por sensor sugiere que modelar los principios de generación física de las señales de IMU (en lugar de solo patrones estadísticos) conduce a modelos más robustos y generalizables.
Viabilidad del Despliegue en el Borde: Al reducir drásticamente los costos computacionales mientras mantiene una alta precisión, GenHAR demuestra que modelos sofisticados de generalización de dominio pueden desplegarse en dispositivos móviles de bajos recursos para aplicaciones industriales en tiempo real y a gran escala.