在運動感測領域，資料集在取樣率、視窗長度、感測器型別、身體安裝位置乃至訊號格式上存在巨大差異，導致每個任務都需要專門定製的模型，研究成果難以遷移。Inertia-1提出了一種統一的運動基礎模型，旨在透過一個受控空間研究運動模型的完整生命週期——包括資料、感測、目標和規模——來解決這一碎片化問題。其核心思想是學習一種通用的表示形式，能夠適應不同的身體位置、裝置和任務，遠遠超出訓練時的設定。
研究團隊在手腕加速度計資料上進行了大規模自監督預訓練，使用了超過1800萬小時來自全球多個佇列的資料。令人驚訝的是，這個在手腕上訓練出的模型可以直接泛化到頭部、胸部、背部、手臂、腿部等其他身體位置，以及陀螺儀、磁力計等感測器，完全無需針對每個新位置重新訓練。此外，透過融合多個資料流——例如同時使用加速度計、陀螺儀和磁力計，或者多個身體位置的資料——學習到的表示變得更加準確，活動聚類也更加緊湊，因為每個資料流都捕捉到了互補的資訊。
除了位置和感測器的泛化能力，Inertia-1還強調了感測設計選擇的重要性。研究發現，對於活動識別，即使在低至1 Hz的取樣率下，預訓練模型也能保持強效能；但對於更精細的健康訊號，更高的取樣率更為有利。視窗長度方面，30到60秒的視窗在大多數任務中表現最佳，既能捕獲足夠的上下文資訊又保持銳度。在訊號表示上，完整的三軸輸入始終優於壓縮的向量幅度摘要，因為額外的軸攜帶了有價值的資訊。時域建模比頻域重構更能保留步態和健康線索。
Inertia-1的工作流程分為三步：首先在大規模加速度計資料上進行自監督預訓練；然後透過輕量調優或無調優將相同的表示遷移到新的位置、裝置和取樣率；最後部署到各類應用，從健身追蹤到臨床篩查。該模型代表了向統一運動基礎模型邁出的第一步，研究團隊開放了模型權重並邀請合作者共同探索這一方向。