スマートARグラスは、プロアクティブな支援を提供するために継続的な行動コンテキストを必要としますが、その最も実用的な常時オンのセンサーであるヘッドマウント慣性計測ユニット（IMU）は、歩行や立位などの動作プリミティブしか検出できません。この課題に対し、ハーバード大学などの研究チームは、動作プリミティブを超えた行動レベルの認識手法を開発しました。2026年5月にarXivに投稿された論文「Beyond Motion Primitives: Behavioral Activity Recognition from Head-Mounted IMU」で報告されています。
研究チームはまず、ARアプリケーションの要求とセンサーの観測可能性のバランスを取った5つの行動カテゴリを定義しました：移動、物体移動、タスク操作、社会的相互作用、アイドル。モデルの訓練と評価のために、彼らはEgo4Dデータセットから厳選した16万サンプルのデータセットを構築し、8つの活動シナリオ（料理、掃除、買い物、オフィスワークなど）をカバーしました。さらに、データラベルの精度と信頼性を確保するために、自動フィルタリング、手動レビュー、クロス検証、専門家チェックからなる4段階の品質保証フレームワークを導入しました。
その上で、彼らはHiT-HARと呼ばれる70.3万パラメータの階層モデルを提案しました。このモデルは、局所的な時間特徴を抽出し、グローバルなシナリオ情報と組み合わせて行動分類を行う階層的なアーキテクチャを採用しています。実験の結果、HiT-HARは5クラスの行動認識と8クラスのシナリオ認識の両方で、DeepHARやIMU-Attentionなどの従来のヘッドマウントIMUモデルを大幅に上回る性能を示しました。さらに、クラスごとの分離可能性分析を通じて、ヘッドマウントIMUの観測可能性の限界をマッピングしました：移動行動（例：歩行）は特徴的な運動パターンを持つため確実に観測可能；物体移動やタスク操作は時間的コンテキスト（例：順序の規則性）から恩恵を受ける；シナリオ依存の信号重複（異なるシナリオでの類似した物体移動動作など）は依然として課題です。
研究結果は、時間的コンテキストとシナリオ構造を活用するアーキテクチャの選択が、単にモデルサイズを拡大するよりも効果的であることを示しています。例えば、HiT-HARは時間的注意機構とシナリオ条件付き分類器を導入することで、低い計算コストで高い精度を実現しました。この知見は、将来のARデバイスにおけるリッチなコンテキスト認識インタラクションの実現に向けた重要な示唆を与え、ARグラスを単なるモーショントラッキングから深い行動理解へと進化させる可能性があります。現在、研究のコードとデータセットはGitHubで公開されており、学界や産業界で利用可能です。