RAG-HAR+：面向边缘部署的低成本基于LLM的人类活动识别

RAG-HAR+是一种基于检索增强生成的人类活动识别方法，通过离线检索设计器为不同数据集定制特征组，推理时对强证据样本采用多数投票分类，仅将不确定样本交由LLM处理。在六个基准数据集上，该方法保持竞争性或更优性能，同时显著减少LLM调用次数、令牌消耗和推理时间，并已通过移动原型验证了在边缘设备上的可行性。

此前HAR深度学习需要针对每个数据集重新训练、大量标注数据并频繁适应新场景。RAG-HAR+无需训练，通过检索和少量LLM调用即实现高精度识别，大幅降低部署成本和计算资源需求，使得在可穿戴设备等边缘端实时运行成为可能。

RAG-HAR+的核心机制是离线阶段使用Retrieval Designer Agent从多种运动描述符中自动设计针对特定数据集的特征组，使传感器窗口间的相似度比较更贴合实际活动模式。在线推理时，对检索邻居置信度高的样本直接采用多数投票，只有置信度低的才交由LLM Ambiguity Resolver Agent判定，从而在保持准确率的同时最小化LLM依赖。

可穿戴设备厂商可直接采用该方法，免去为每个新应用场景训练深度学习模型的步骤，降低研发成本；移动健康应用可减少对云端LLM的实时请求，降低延迟和带宽消耗；原型演示表明该技术具备在智能手机等边缘设备上离线运行的能力，提升用户隐私保护和体验。

• 将RAG-HAR+集成到智能手表固件中，实现本地实时活动识别（如步行、跑步、跌倒检测），无需联网。
• 为老年人护理或康复监测开发一款基于RAG-HAR+的低功耗活动分析SDK，支持后端配置多种活动类别。
• 在健身追踪应用中嵌入RAG-HAR+，用少量样本即可适配用户自定义动作，无需重新训练模型。

• RAG-HAR+在面对传感器采样率差异或缺失数据时的鲁棒性如何？
• 离线特征设计阶段需要多少标注数据来保证检索质量？
• 在复杂活动（如骑自行车、划船）上性能是否依然优于传统方法？
• 移动原型在不同型号设备上的实际功耗和延迟数据是否已公开？