Розпізнавання людської активності (HAR) на основі сенсорів виявляє закономірності активності з часових рядів сенсорних даних. У реалістичних сценаріях варіації між особами, пристроями, середовищами та часом призводять до значних розподільчих зрушень для одних і тих же дій. Останні зусилля спрямовані на вирішення цієї проблеми шляхом застосування або адаптації існуючих алгоритмів позарозподільного узагальнення (OOD), але лише в певних сценаріях розподільчих зрушень (наприклад, перехресний пристрій або перехресна позиція), без всебічного розуміння ефективності цих алгоритмів. Наприклад, чи потрібен OOD для HAR? Який алгоритм OOD працює найкраще? У цій статті ми заповнюємо цю прогалину, пропонуючи HAROOD, комплексний бенчмарк для HAR у налаштуваннях OOD. Ми визначаємо 4 сценарії OOD: перехресна особа, перехресна позиція, перехресний набір даних і перехресний час, і створюємо тестове середовище, що охоплює 6 наборів даних, 16 порівняльних методів (реалізованих за допомогою архітектур на основі CNN та Transformer) і два протоколи вибору моделі. Потім ми проводимо широкі експерименти та представляємо кілька висновків для майбутніх досліджень, наприклад, жоден метод не перевершує інші послідовно, що підкреслює значні можливості для прогресу. Наша кодова база є високо модульною та легко розширюється для нових наборів даних, алгоритмів, порівнянь та аналізу, з надією полегшити дослідження в HAR на основі OOD. Наша реалізація випущена та доступна за посиланням https://github.com/wanglu2021/HAROOD.