
# 从推理到运动：利用以自我为中心的互动视频学习3D手部轨迹预测

陈明飞 $^{1,2}$ 王一凡 $^{1}$ 李正勤 $^{1}$ Homanga Bharadhwaj $^{1}$ 陈雨欣 $^{1}$ 秦川 $^{1}$

寇子怡 $^{1}$ 田媛 $^{1}$ Eric Whitmire $^{1}$ Rajinder Sodhi $^{1}$ Hrvoje Benko $^{1}$ Eli Shlizerman $^{2}$ 刘月 $^{1}$

$^{1}$Meta $^{2}$华盛顿大学

<https://egoman-project.github.io/>

![Image](images/ecc174078b02c4c2d513069e56827f5deb98c6f671f217f0cd063dcc210c4de9.jpg)

<div style="text-align: center;">Figure 1. EgoMAN project. We introduce 1) the EgoMAN dataset (top), a large-scale egocentric dataset for interaction stage–aware 3D hand trajectory prediction with 219K 6-DoF trajectories and 3M structured QA pairs for semantic, spatial, and motion reasoning. During inference, 2) the EgoMAN model (bottom) takes an image, past hand motion, and an intent query as input, performs stage-aware reasoning to infer intent-specific waypoints, and then generates 6-DoF hand trajectories of distinct motions for different intent queries.</div>

## 摘要

能够在真实世界场景中实现具有泛化能力的轨迹预测。

以往关于3D手部轨迹预测的研究受到两类限制：一是数据集将运动与语义监督分离；二是模型对推理与动作的关联较弱。为解决这些问题，我们首先推出EgoMAN数据集——一个用于交互阶段感知型3D手部轨迹预测的大规模以自我为中心的数据集，包含21.9万条6自由度轨迹以及300万组用于语义、空间和运动推理的结构化问答对。随后我们提出了EgoMAN模型，这是一种“推理到运动”的框架，通过轨迹标记接口将视觉-语言推理与运动生成联系起来。该模型通过逐步训练来使推理结果与运动动力学相匹配，从而能够生成准确且具备阶段感知能力的轨迹。

### 1. 引言

预测未来的3D手部运动对于情境交互和主动辅助至关重要，这类系统需要能从视觉、语言和运动线索中预判人类的意图。人类能够自然完成这一过程：理解动作的目标、解读场景布局，并根据近期动态协调运动。要在计算层面实现这一点，就需要同时推理任务语义、空间几何和时间运动规律。我们开发的模型通过整合视觉与运动上下文以及语言信息，来预测长时程的3D手部轨迹，该模型

---

能够传达意图并区分视觉上相似的动作。此类能力可应用于机器人操控、语言条件下的运动合成，以及能响应人类意图的辅助系统。

主要瓶颈在于缺乏大规模、高质量的3D轨迹数据。受控数据集[^4] [^26] [^30]虽然能提供精确的标注，但多样性有限；而大规模以自我为中心的视频数据集[^17] [^42]虽包含丰富的真实世界交互内容，但其中的轨迹噪声大、目标指向性弱且时间结构不清晰。关键在于，这些数据集缺乏明确的交互阶段信息（如接近阶段和操控阶段），而这类信息对于区分有目的的运动与背景运动、以及将轨迹与意图相关联至关重要。基于这类原始视频训练的模型往往泛化能力较差，因为其缺失了意图、空间关系和运动动力学之间的关联。

除了数据限制外，现有的建模方法也存在不足。基于可供性感知的方法[^2] [^11]依赖物体检测器和可供性估计器，这会传播上游的检测误差并带来额外的计算开销。端到端运动预测器，包括基于扩散模型[^20] [^40]、变分模型[^5]以及状态空间模型[^6]的预测器，主要聚焦于短期动态，其语义基础较为有限。视觉-语言-动作（VLA）系统[^24] [^38] [^60]虽然具备强大的推理能力，但直接将视觉语言模型（VLM）[^3] [^12] [^13] [^15] [^34]用于生成连续的3D运动仍颇具挑战性，因为它们难以产出平滑且高频的动作序列。连接VLM推理与运动专家之间的桥梁[^10] [^28] [^31] [^33] [^48] [^49] [^54] [^58]通常依赖隐式标记或冗长的推理链，这在生成精细且快速的动作时限制了效率、泛化能力和可解释性。

为应对这些挑战，我们推出了EgoMAN项目，它将大规模、分阶段标注的数据集与模块化的推理到运动框架相结合。EgoMAN数据集包含来自1500多个场景的超过30万条第一人称视角视频片段，其中包括标注了交互阶段（接近、操作）的21.9万条6自由度手部轨迹，以及300万对结构化的视觉-语言-运动问答对。这种监督机制明确编码了手部运动的原因、时间和方式，使模型能够大规模学习意图关联且空间上可定位的运动模式。

基于该数据集，EgoMAN模型引入了一种紧凑的轨迹标记接口，将高层推理与连续的3D手部运动连接起来。我们定义了四种轨迹标记：一个语义标记（<ACT>）和三个与阶段相关的航点标记（<START>、<CONTACT>、<END>），它们用于标识交互过程中的关键转折点。这些标记代表的是以手腕为中心的时空航点，而非以物体为中心的可供性特征，从而为调节流匹配运动专家提供了清晰且结构化的接口。通过渐进式的三阶段训练策略，模型依次学习：（i）基于语义、空间和运动信息的意图条件化及阶段感知推理；（ii）运动动力学；（iii）通过标记接口实现上述两者的对齐，最终能够在各种真实场景中实现长时序、意图一致的3D轨迹预测。

我们的主要贡献如下：

- EgoMAN数据集：一个大规模、包含交互阶段信息的6自由度手部轨迹数据集，配备了结构化的语义、空间和运动推理标注。

- EgoMAN模型：一种模块化的推理到运动架构，具备轨迹标记接口和渐进式训练机制，能够将语义意图与物理上可实现的运动生成相匹配。

- 我们在各类真实世界的第一人称视角场景中，实现了3D手部轨迹预测领域最先进的精度与泛化能力，同时保持了高效性。

### 2. 相关工作

手部运动轨迹预测。以自我为中心的手部运动预测旨在根据过往观测结果，在自身运动和深度模糊的条件下推断手部的未来运动。大规模研究中通常预测低帧率下的短时域二维轨迹 [^5] [^19] [^36] [^39] [^40]；而经过精心整理的数据集则能够实现三维轨迹预测 [^6] [^20] [^41]。以往的三维预测方法主要分为两类：(a) 以物体为中心、受可操作区域驱动的模型 [^2] [^11] [^36]，这类模型依赖检测器与可操作区域估计器，但存在误差传播问题，且检测过程还会带来额外的计算开销；或者 (b) 端到端运动模型，直接从视频和过往手部运动中预测轨迹 [39–41]，有时会纳入自身运动信息 [39–41] 或点云等三维先验知识 [^41]。由于三维标签往往存在不确定性且数量稀少 [^6]，生成式模型已成为主流选择：包括变分自编码器 [^5]、状态空间模型 [^6]、扩散模型 [^20] [^40] 以及混合变体 [^39] [^41]。不过，这些方法通常只能预测较短的固定时域，侧重于低层次运动建模，且意图编码较为隐晦，因此在多样化的真实世界自我中心场景中泛化能力有限。我们的工作则通过显式结合意图、空间语境与交互阶段信息，来预测长时域、语义明确的六自由度轨迹。

从人类视频中学习交互行为。人类视频提供了丰富的手-物交互演示，推动了重建与预测领域的研究 [^6] [^7] [^35] [^36] [^40]。受控数据集 [^4] [^26] [^30] 虽能提供精确的三维标注，但任务多样性有限；机器人模仿数据集 [^21] [^23] [^53] 虽然提供了结构化的演示数据，但内容仍较为单一且按预设脚本执行。大规模自我中心数据集 [^17] [^42] 记录了各类日常活动，并配有语言标注，但其中的轨迹往往存在噪声，交互边界也不清晰。为弥补这些不足，我们整理了EgoMAN-Bench，将现实世界的自我中心数据集整合为一个基于交互阶段的监督基准。我们的模型以此基准为基础，将交互阶段的推理与准确的长时域三维轨迹预测相结合。

---

这种结合能够将交互阶段的推理与准确的长时域三维轨迹预测相匹配，这与近期基于人类视频的机器人学习研究趋势相一致 [^2] [^8] [^9] [^21] [^23] [^56]。

用于具身智能的视觉-语言模型。现代视觉-语言模型将感知与语言统一起来[^3] [^13] [^16] [^27] [^34] [^43] [^51]，从而实现广泛的视频理解与推理。它们向视觉-语言-动作（VLA）系统的扩展[^24] [^38] [^60]能够借助机器人数据集支持操作与导航，但通过视觉-语言模型直接预测动作往往难以生成平滑、高频的轨迹。为缓解这一问题，近期的研究试图在VLA中融入手部轨迹预测，要么通过预训练，要么通过联合训练[^29] [^55]。在视觉-语言模型与运动系统耦合的方案中，视觉-语言模型会与动作模块相连，采用隐式特征路由机制[^10] [^49] [^54]，但这种机制存在泛化能力差、可解释性有限的问题；而其他方法则依赖长推理链作为接口[^28] [^31] [^58]，导致推理成本高且效率低下。相比之下，我们提出了一种轨迹标记接口，它利用四个专门的语义与时空路点标记，直接将高层推理与连续的3D运动联系起来，从而形成一个高效、可解释的接口，能够有效引导运动专家生成平滑、精确的高频轨迹。

### 3. EgoMAN数据集

EgoMAN是一个大规模的第一人称交互数据集（时长超过300小时，包含1,500多个场景、22万条以上的6自由度轨迹），由Aria眼镜采集的数据构建而成[^14]，涵盖了EgoExo4D[^17]、Nymeria[^42]和HOT3D-Aria[^4]等数据集。该数据集提供了高质量的手腕中心轨迹、结构化的交互标注，以及用于语义、空间和运动推理的丰富问答监督信息。本节将概述数据集的统计信息、标注流程、轨迹标注、问答构建以及数据集划分情况。数据集统计信息：数据涵盖了多种交互场景——HOT3D-Aria中的脚本化操作、EgoExo4D中的现实世界活动（如自行车维修、烹饪）以及Nymeria中的日常任务。轨迹的变化范围很大：27.8%的轨迹时长超过2秒，34.0%的轨迹平均移动距离超过20厘米，35.3%的轨迹旋转角度超过60°。我们采用EgoExo4D和Nymeria数据集进行训练，而将HOT3D-Aria数据集仅用作测试集。

标注流程：我们使用GPT-4.1[^45]为EgoExo4D和Nymeria提取交互标注。在每个原子动作时间戳[^17] [^42]，我们会截取一段5秒的片段，并标注两个以手腕为中心的交互阶段：（1）接近阶段——手向目标操作区域移动；（2）操作阶段——手持物体执行动作。详细的提示词与过滤规则详见附录。对于HOT3D数据集，我们依据手-物体轨迹推断交互阶段：将物体运动前0.5至2.0秒定义为接近阶段（此时物体可见且距离在1米以内），而操作阶段则对应物体开始运动之后的时段。EgoMAN轨迹：EgoMAN数据集提供了双手腕的6自由度轨迹（3D位置+6D旋转[^59]），采样率为每秒10帧。对于EgoExo4D数据集，我们采用Aria的机器感知服务（MPS）[^1]生成的手部追踪数据；对于Nymeria数据集，我们采用从两个腕戴式设备获取的轨迹；而对于HOT3D数据集，则直接使用该数据集提供的高质量6自由度手部轨迹。所有轨迹均通过将位置与方向转换到交互开始前最终视觉帧的相机坐标系中来对齐。

EgoMAN QA。我们利用GPT生成结构化的问答对，涵盖语义推理（21.6%）、空间推理（42.6%）和运动推理（35.8%）。

(1) 语义推理问题针对的是高层次意图，例如：

• “下一个原子级动作会是什么？”

• “手接下来会与哪个物体交互？”

• “为什么会有下一个动作？”

这些问题将语言与以目标为导向的手部行为联系起来，有助于更深入地理解特定动作背后的动机和目的。

(2) 空间推理问题通过在关键交互阶段查询手腕状态，将意图锚定在三维度量空间中。这些阶段包括接近开始、操控开始（接近完成）以及操控结束。这类问题可能针对单个阶段（例如：“左手会在何时/何地完成操控？”），也可能涵盖多个阶段（例如：“右手在操控开始和结束时位于何处/何时？”），从而能够推理不同交互阶段之间的转换。有些问题会明确提及物体和阶段时间戳，有助于推理符合交互意图的物体-时间-空间关系。

(3) 运动推理问题探究过往运动如何为语义理解和空间理解提供依据，从而支持对运动随时间演变的推理。为了构建这类问题，我们选取一部分语义问题和空间问题，为其补充一段始于交互开始前、时长为0.5秒的六自由度手部轨迹序列。（例如：“根据<过往运动>，右手会在何处完成接近阶段？”）这种方法能够分析以往的手部运动如何影响后续动作和空间位置，从而深化运动历史与交互意图之间的联系。

数据集划分。为了支持我们的渐进式训练流程，我们将EgoMAN数据集划分为：用于预训练的1,014个场景（占64%）、用于微调的498个场景（占31%），以及用于测试的78个场景（占5%）。预训练集包含质量较低的轨迹标注——其中目标物体可能被遮挡、图像质量较差，或交互意图不明确，且交互较为稀疏。预训练集总共包含74K个样本和1M组问答对。相比之下，微调集则提供了17K个高质量的轨迹样本。

---

在评估方面，我们引入了EgoMAN-Bench作为测试集，它包含两种设置：(1) EgoMAN-Unseen包含来自78个预留的EgoExo4D和Nymeria场景的2,844个高质量轨迹样本，用于评估模型对领域内但此前未见过的场景的泛化能力；(2) HOT3D-OOD包含来自HOT3D数据集的990个轨迹样本（仅用于测试），旨在评估模型在全新受试者、物体和环境上的分布外性能。

### 4. EgoMAN模型

如图2所示，EgoMAN模型由两个组件构成：推理模块负责提取线索并对语义、空间关系和运动进行推理，从而生成与阶段相关的航点；运动专家则负责生成六自由度的手部轨迹。在本节中，我们首先在第4.1节阐明预测任务，随后分别在第4.2节详细介绍推理模块、第4.3节介绍运动专家，第4.4节阐述通过轨迹令牌接口实现从推理到运动的转化。

#### 4.1. 问题表述

给定单个RGB帧$\mathbf{V}_t$、过去的手腕运动轨迹$\{\mathbf{L}_\tau, \mathbf{R}_\tau\}_{\tau=t-H}$以及意图描述$\mathbf{I}$作为输入，任务是预测操作阶段（如伸手、操作或释放）中的未来6自由度轨迹$\{\tilde{\mathbf{L}}_\tau, \tilde{\mathbf{R}}_\tau\}_{\tau=t+1}^{t+T}$。每个位置向量$\mathbf{L}_\tau \in \mathbb{R}^6$和旋转向量$\mathbf{R}_\tau \in \mathbb{R}^{12}$分别表示两只手腕的3D位置和6D旋转。我们的EgoMAN模型充当函数$\mathcal{F}$，将输入映射到未来的轨迹：

 $$ \mathcal{F}:\left(\mathbf{V}_{t},\left\{\mathbf{L}_{\tau},\mathbf{R}_{\tau}\right\}_{\tau=t-H}^{t},\mathbf{I}\right)\mapsto\{\tilde{\mathbf{L}}_{\tau},\tilde{\mathbf{R}}_{\tau}\}_{\tau=t+1}^{t+T} $$

#### 4.2. 推理模块

为了预测与人类意图和环境背景相符的精确手部轨迹，我们需要理解环境的空间背景以及意图语义。因此，EgoMAN模型的第一个模块是推理模块，它将空间感知和运动推理与任务意图语义及交互阶段相匹配。该模块基于Qwen2.5-VL [^3]构建，输入包括以自我为中心的帧$\mathbf{V}_t$、包含意图描述的语言查询$\mathbf{I}$以及过去的手腕运动轨迹$\{\mathbf{L}_\tau, \mathbf{R}_\tau\}_{t=t-H}$。过去的运动序列会被编码到与VLM的视觉和语言特征相同的潜空间中，然后与它们融合。根据查询内容，该模块会输出：(i) 自然语言答案；或者 (ii) 一组表示关键交互语义和航点的结构化轨迹标记。

我们引入了四种轨迹标记、一种动作语义标记和三种航点标记，用以明确捕捉意图语义以及交互阶段中的关键时空转换。动作语义标记<ACT>会解码出与交互短语对应的动作语义嵌入（例如“左手抓住绿色杯子”）。三种航点标记：<START>、<CONTACT>和<END>分别表示接近开始、操作开始（即接近完成）以及操作完成阶段。每种航点标记都配有一个轻量级头，用于预测时间戳、3D手腕位置和6D手腕旋转。这些标记使得模块能够将语义意图与相应的时空手部状态对齐。

推理预训练。为了支持预测文本和轨迹标记这两种功能，我们首先在EgoMAN预训练子集中的100万对问答数据上对该模块进行预训练（见第3节）。需要自然语言回答的语义类问题通过标准的下一个词预测损失($L_{text}$)进行监督。相比之下，需要数值输出的查询（如时间戳、6DoF位置），也就是空间推理类查询，会在问题末尾添加一个特殊标记$<HOI\_Query>$，指示模型解码出轨迹标记。对于这类查询，除了用于监督该特殊标记作为文本的语言建模损失($L_{text}$)外，我们还用动作语义损失($<ACT>$)来监督$L_{act}$标记，并用专门的航点损失($L_{wp}$)来监督航点标记。

具体来说，我们通过将<ACT>的隐藏状态投影到语义嵌入中，并与CLIP编码的[^50]真实嵌入进行对比，来计算动作语义损失。为了应对因查询类型灵活混合而导致的批量大小变化——需要<ACT>答案的问题在不同批次中的比例各不相同——我们自适应地使用余弦相似度或InfoNCE [^44]：

 $$ \mathcal{L}_{\mathrm{a c t}}=\left\{\begin{aligned}&1-\frac{1}{K}\sum_{i=1}^{K}\mathrm{s i m}(z_{i},z_{i}^{+}),&K<\kappa,\\ &-\frac{1}{K}\sum_{i=1}^{K}\log\frac{\exp(\mathrm{s i m}(z_{i},z_{i}^{+})/\tau)}{\sum_{j=1}^{K}\exp(\mathrm{s i m}(z_{i},z_{j}^{+})/\tau)},&K\geq\kappa.\end{aligned}\right. $$

其中，$z_i$ 和 $z_i^+$ 分别表示归一化后的预测嵌入和真实值嵌入，$\text{sim}(\cdot)$ 表示余弦相似度，而 $\tau$ 是一个可学习的温度参数。当有效的训练样本数量 K 低于阈值 $\kappa$ 时，我们采用余弦相似度损失来避免不稳定的对比学习更新；否则，我们使用 InfoNCE 风格的对比损失。

在航点学习方面，每个航点标记都通过高斯时间窗口加权后的 Huber 损失进行监督：

 $$ \begin{array}{r}{\mathcal{L}_{\mathrm{w p}}=\lambda_{t}\mathcal{L}_{\mathrm{t i m e}}+\lambda_{3D}\mathcal{L}_{3D}+\lambda_{2D}\mathcal{L}_{2D}+\lambda_{r}\mathcal{L}_{\mathrm{r o t6D}}+\lambda_{\mathrm{g e o}}\mathcal{L}_{\mathrm{g e o}}.}\end{array} $$

我们采用连续的 6D 旋转参数化方式 [^59]，并配合测地旋转损失（$\mathcal{L}$geo）；通过将预测的 3D 位置投影到输入图像帧中来计算 2D 损失（$\mathcal{L}2D$）。为了避免歧义，仅对可见的航点进行监督。

完整的推理预训练损失为：

 $$ \mathcal{L}_{total}=\mathcal{L}_{text}+\lambda_{wp}\mathcal{L}_{wp}+\lambda_{act}\mathcal{L}_{act}, $$

其中，$\lambda$ 项用于对各损失分量进行加权。

---

![Image](images/fbd3d97dcb80e014272210adb1434212e677a42ea887feba3c67a43db1fdd267.jpg)

<div style="text-align: center;">Figure 2. Overview of the EgoMAN model. The EgoMAN model is a modular reasoning-to-motion framework that predicts future 6DoF hand trajectories from an egocentric RGB frame, past wrist trajectories, and a language intent. The Reasoning Module (a), built on QwenVL-7B, extracts semantic and spatial features and outputs trajectory tokens with waypoints and intent semantic cues. The Motion Expert (b), using Flow Matching, predicts future trajectories based on waypoints, past motion, intent semantics and visual input. The trajectory tokens of (a) form the Trajectory-Token Interface which replaces semantic and waypoint condition inputs of (b) to bridge from Reasoning to Motion Expert.</div>

#### 4.3. 运动专家模块

运动专家模块以推理模块输出的轨迹标记为基础，通过建模精细的手部动力学来预测高频的 6DoF 手腕轨迹。该模块是一个基于 Flow Matching（FM）[^33] 的编码器-解码器式Transformer，其输入包括过去的手腕运动数据、意图语义、低层次视觉特征以及阶段相关的航点信息。FM 能够学习条件速度场，从而生成平滑且具备概率特性的轨迹，而三个航点标记则为其提供结构上的引导。

如图 2(b) 所示，编码器将所有输入组织成一个统一的序列。与运动相关的标记位于统一的时间轴上：过去的 H 个手腕运动点占据步骤 $1-H$，航点标记被放置在偏移 H 的预测时间戳处，而未来的查询则覆盖 $H+1-H+T$。这些时间标记会根据其时间戳获得相应的位置 ID。与此同时，意图语义和 DINOv3 [^52] 视觉特征则作为非时间性的上下文标记加入。随后，解码器通过关注这一完整的编码上下文来生成 T 个未来的 6DoF 轨迹点。

我们遵循标准的 FM 流程：将含噪样本 $x_{0}$ 与真实值 $x_{1}$ 进行插值，监督目标则为 $\hat{v} = x_{1} - x_{0}$。损失函数是对 3D 位置和 6D 旋转计算均方误差：

 $$ \mathcal{L}_{\mathrm{F M}}=\|\hat{v}-(x_{1}-x_{0})\|_{2}^{2}. $$

在测试阶段，我们先采样一个初始随机轨迹 $x_{0}$，再将其速度场积分 N 步：

 $$ x_{k+1}=x_{k}+\Delta t\cdot\hat{v}(x_{k},t_{k}),\quad\Delta t=\frac{1}{N}, $$

从而得到未来的手腕轨迹。

运动预训练。我们发现，由于学习目标不匹配，推理模块和运动专家模块联合训练时稳定性较差。为解决这一问题，我们在 EgoMAN 微调子集上单独对 FM 模型进行预训练（见第 3 节），以真实航点和动作短语语义作为条件。这种预训练能为联合训练提供强大的低层次运动先验，从而稳定与推理模块的合作。

#### 4.4. 推理到运动

一旦推理模块和运动专家模块都完成预训练，我们就将它们联合训练，以实现高层推理与低层次运动生成之间的衔接。这一阶段的关键挑战在于分布不匹配问题：推理模块是在真实值基础上预训练以预测标记的，而

---

<table border=1 style='margin: auto; word-wrap: break-word;'><tr><td rowspan="2">Method</td><td colspan="3">ADE (m) $\downarrow$</td><td colspan="3">FDE (m) $\downarrow$</td><td colspan="3">DTW (m) $\downarrow$</td><td colspan="3">Rot (°) $\downarrow$</td><td rowspan="2">Dataset</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>K=1</td><td style='text-align: center; word-wrap: break-word;'>K=5</td><td style='text-align: center; word-wrap: break-word;'>K=10</td><td style='text-align: center; word-wrap: break-word;'>K=1</td><td style='text-align: center; word-wrap: break-word;'>K=5</td><td style='text-align: center; word-wrap: break-word;'>K=10</td><td style='text-align: center; word-wrap: break-word;'>K=1</td><td style='text-align: center; word-wrap: break-word;'>K=5</td><td style='text-align: center; word-wrap: break-word;'>K=10</td><td style='text-align: center; word-wrap: break-word;'>K=1</td><td style='text-align: center; word-wrap: break-word;'>K=5</td><td style='text-align: center; word-wrap: break-word;'>K=10</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>USST $^{{*}}$ [^6]</td><td style='text-align: center; word-wrap: break-word;'>0.233</td><td style='text-align: center; word-wrap: break-word;'>0.233</td><td style='text-align: center; word-wrap: break-word;'>0.233</td><td style='text-align: center; word-wrap: break-word;'>0.394</td><td style='text-align: center; word-wrap: break-word;'>0.394</td><td style='text-align: center; word-wrap: break-word;'>0.394</td><td style='text-align: center; word-wrap: break-word;'>0.220</td><td style='text-align: center; word-wrap: break-word;'>0.220</td><td style='text-align: center; word-wrap: break-word;'>0.220</td><td style='text-align: center; word-wrap: break-word;'>46.98</td><td style='text-align: center; word-wrap: break-word;'>46.98</td><td style='text-align: center; word-wrap: break-word;'>46.98</td><td rowspan="3">EgoMAN</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>MMTwin $^{{*}}$ [^41]</td><td style='text-align: center; word-wrap: break-word;'>0.213</td><td style='text-align: center; word-wrap: break-word;'>0.208</td><td style='text-align: center; word-wrap: break-word;'>0.206</td><td style='text-align: center; word-wrap: break-word;'>0.261</td><td style='text-align: center; word-wrap: break-word;'>0.257</td><td style='text-align: center; word-wrap: break-word;'>0.256</td><td style='text-align: center; word-wrap: break-word;'>0.211</td><td style='text-align: center; word-wrap: break-word;'>0.206</td><td style='text-align: center; word-wrap: break-word;'>0.204</td><td style='text-align: center; word-wrap: break-word;'>49.53</td><td style='text-align: center; word-wrap: break-word;'>49.12</td><td style='text-align: center; word-wrap: break-word;'>48.98</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>HandsOnVLM $^{{*}}$ [^5]</td><td style='text-align: center; word-wrap: break-word;'>0.176</td><td style='text-align: center; word-wrap: break-word;'>0.172</td><td style='text-align: center; word-wrap: break-word;'>0.171</td><td style='text-align: center; word-wrap: break-word;'>0.232</td><td style='text-align: center; word-wrap: break-word;'>0.228</td><td style='text-align: center; word-wrap: break-word;'>0.228</td><td style='text-align: center; word-wrap: break-word;'>0.166</td><td style='text-align: center; word-wrap: break-word;'>0.162</td><td style='text-align: center; word-wrap: break-word;'>0.161</td><td style='text-align: center; word-wrap: break-word;'>35.49</td><td style='text-align: center; word-wrap: break-word;'>35.29</td><td style='text-align: center; word-wrap: break-word;'>35.22</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>FM-base</td><td style='text-align: center; word-wrap: break-word;'>0.188</td><td style='text-align: center; word-wrap: break-word;'>0.166</td><td style='text-align: center; word-wrap: break-word;'>0.160</td><td style='text-align: center; word-wrap: break-word;'>0.265</td><td style='text-align: center; word-wrap: break-word;'>0.236</td><td style='text-align: center; word-wrap: break-word;'>0.229</td><td style='text-align: center; word-wrap: break-word;'>0.171</td><td style='text-align: center; word-wrap: break-word;'>0.150</td><td style='text-align: center; word-wrap: break-word;'>0.144</td><td style='text-align: center; word-wrap: break-word;'>37.92</td><td style='text-align: center; word-wrap: break-word;'>37.27</td><td style='text-align: center; word-wrap: break-word;'>37.00</td><td rowspan="3">Unseen</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>EgoMAN-ACT</td><td style='text-align: center; word-wrap: break-word;'>0.162</td><td style='text-align: center; word-wrap: break-word;'>0.146</td><td style='text-align: center; word-wrap: break-word;'>0.141</td><td style='text-align: center; word-wrap: break-word;'>0.225</td><td style='text-align: center; word-wrap: break-word;'>0.210</td><td style='text-align: center; word-wrap: break-word;'>0.204</td><td style='text-align: center; word-wrap: break-word;'>0.148</td><td style='text-align: center; word-wrap: break-word;'>0.132</td><td style='text-align: center; word-wrap: break-word;'>0.127</td><td style='text-align: center; word-wrap: break-word;'>36.24</td><td style='text-align: center; word-wrap: break-word;'>35.28</td><td style='text-align: center; word-wrap: break-word;'>35.03</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>EgoMAN (Ours)</td><td style='text-align: center; word-wrap: break-word;'>0.151</td><td style='text-align: center; word-wrap: break-word;'>0.130</td><td style='text-align: center; word-wrap: break-word;'>0.124</td><td style='text-align: center; word-wrap: break-word;'>0.206</td><td style='text-align: center; word-wrap: break-word;'>0.186</td><td style='text-align: center; word-wrap: break-word;'>0.179</td><td style='text-align: center; word-wrap: break-word;'>0.137</td><td style='text-align: center; word-wrap: break-word;'>0.117</td><td style='text-align: center; word-wrap: break-word;'>0.111</td><td style='text-align: center; word-wrap: break-word;'>33.88</td><td style='text-align: center; word-wrap: break-word;'>33.00</td><td style='text-align: center; word-wrap: break-word;'>32.75</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>USST $^{{*}}$ [^6]</td><td style='text-align: center; word-wrap: break-word;'>0.245</td><td style='text-align: center; word-wrap: break-word;'>0.245</td><td style='text-align: center; word-wrap: break-word;'>0.245</td><td style='text-align: center; word-wrap: break-word;'>0.409</td><td style='text-align: center; word-wrap: break-word;'>0.409</td><td style='text-align: center; word-wrap: break-word;'>0.409</td><td style='text-align: center; word-wrap: break-word;'>0.226</td><td style='text-align: center; word-wrap: break-word;'>0.226</td><td style='text-align: center; word-wrap: break-word;'>0.226</td><td style='text-align: center; word-wrap: break-word;'>55.80</td><td style='text-align: center; word-wrap: break-word;'>55.80</td><td style='text-align: center; word-wrap: break-word;'>55.80</td><td rowspan="3">HOT3D</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>MMTwin $^{{*}}$ [^41]</td><td style='text-align: center; word-wrap: break-word;'>0.214</td><td style='text-align: center; word-wrap: break-word;'>0.210</td><td style='text-align: center; word-wrap: break-word;'>0.209</td><td style='text-align: center; word-wrap: break-word;'>0.263</td><td style='text-align: center; word-wrap: break-word;'>0.260</td><td style='text-align: center; word-wrap: break-word;'>0.259</td><td style='text-align: center; word-wrap: break-word;'>0.212</td><td style='text-align: center; word-wrap: break-word;'>0.208</td><td style='text-align: center; word-wrap: break-word;'>0.207</td><td style='text-align: center; word-wrap: break-word;'>44.75</td><td style='text-align: center; word-wrap: break-word;'>44.46</td><td style='text-align: center; word-wrap: break-word;'>44.37</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>HandsOnVLM $^{{*}}$ [^5]</td><td style='text-align: center; word-wrap: break-word;'>0.197</td><td style='text-align: center; word-wrap: break-word;'>0.194</td><td style='text-align: center; word-wrap: break-word;'>0.194</td><td style='text-align: center; word-wrap: break-word;'>0.266</td><td style='text-align: center; word-wrap: break-word;'>0.262</td><td style='text-align: center; word-wrap: break-word;'>0.262</td><td style='text-align: center; word-wrap: break-word;'>0.191</td><td style='text-align: center; word-wrap: break-word;'>0.188</td><td style='text-align: center; word-wrap: break-word;'>0.186</td><td style='text-align: center; word-wrap: break-word;'>38.29</td><td style='text-align: center; word-wrap: break-word;'>38.18</td><td style='text-align: center; word-wrap: break-word;'>38.13</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>FM-base</td><td style='text-align: center; word-wrap: break-word;'>0.176</td><td style='text-align: center; word-wrap: break-word;'>0.165</td><td style='text-align: center; word-wrap: break-word;'>0.161</td><td style='text-align: center; word-wrap: break-word;'>0.252</td><td style='text-align: center; word-wrap: break-word;'>0.241</td><td style='text-align: center; word-wrap: break-word;'>0.237</td><td style='text-align: center; word-wrap: break-word;'>0.161</td><td style='text-align: center; word-wrap: break-word;'>0.151</td><td style='text-align: center; word-wrap: break-word;'>0.147</td><td style='text-align: center; word-wrap: break-word;'>40.23</td><td style='text-align: center; word-wrap: break-word;'>39.64</td><td style='text-align: center; word-wrap: break-word;'>39.47</td><td rowspan="3">OOD</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>EgoMAN-ACT</td><td style='text-align: center; word-wrap: break-word;'>0.172</td><td style='text-align: center; word-wrap: break-word;'>0.158</td><td style='text-align: center; word-wrap: break-word;'>0.153</td><td style='text-align: center; word-wrap: break-word;'>0.247</td><td style='text-align: center; word-wrap: break-word;'>0.232</td><td style='text-align: center; word-wrap: break-word;'>0.228</td><td style='text-align: center; word-wrap: break-word;'>0.159</td><td style='text-align: center; word-wrap: break-word;'>0.145</td><td style='text-align: center; word-wrap: break-word;'>0.141</td><td style='text-align: center; word-wrap: break-word;'>39.60</td><td style='text-align: center; word-wrap: break-word;'>38.68</td><td style='text-align: center; word-wrap: break-word;'>38.42</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>EgoMAN (Ours)</td><td style='text-align: center; word-wrap: break-word;'>0.166</td><td style='text-align: center; word-wrap: break-word;'>0.147</td><td style='text-align: center; word-wrap: break-word;'>0.141</td><td style='text-align: center; word-wrap: break-word;'>0.246</td><td style='text-align: center; word-wrap: break-word;'>0.224</td><td style='text-align: center; word-wrap: break-word;'>0.217</td><td style='text-align: center; word-wrap: break-word;'>0.155</td><td style='text-align: center; word-wrap: break-word;'>0.137</td><td style='text-align: center; word-wrap: break-word;'>0.130</td><td style='text-align: center; word-wrap: break-word;'>36.11</td><td style='text-align: center; word-wrap: break-word;'>35.40</td><td style='text-align: center; word-wrap: break-word;'>35.09</td></tr></table>

<div style="text-align: center;">Table 1. Comparison of 6DoF hand trajectory prediction on EgoMAN-Unseen and HOT3D-OOD. Lower is better. Best values are bold, second-best are underlined. Our EgoMAN model outperforms the strongest external baseline (HandsOnVLM) by 27.5% ADE on both the held-out EgoMAN-Unseen test split and the out-of-distribution HOT3D-OOD dataset.</div>

运动专家模型在预训练阶段被要求接收真实路径点及动作短语。但在推理时，运动专家必须处理来自推理模块的预测结果（可能包含噪声）。为弥合这一差距，我们通过在轨迹-标记接口上进行联合训练来对齐这两个组件。

在完整的EgoMAN模型中，推理模块会接收类似问答形式的输入，例如：“给定过去的手腕运动轨迹：{past_motion}，双手将移动到何处以完成{intent}？<HOI_QUERY>”，随后生成结构化的轨迹标记序列<ACT><START><CONTACT><END>。这些标记随后会被解码为运动专家模型的输入：<ACT>会生成动作语义嵌入，用以替代真实的短语嵌入；而<START>、<CONTACT>和<END>则会被解码为6自由度路径点及时间戳（即它们的位置编码），从而替换真实的路径点。为使推理与运动组件保持一致，我们会在EgoMAN微调数据集上采用两个目标函数对它们进行联合训练：(1) 针对轨迹标记序列的下一个标记预测损失$\mathcal{L}_{\text{text}}$；(2) 如第4.3节所述，基于运动专家生成的轨迹计算流匹配损失$\mathcal{L}_{\text{FM}}$。这种统一设置能够实现高效意图推理，并生成与意图语义相匹配、物理上一致的6自由度轨迹。

### 5. 实验

我们在EgoMAN-Bench上对EgoMAN模型进行了全面评估，旨在回答三个核心问题：(1) 推理到运动的流程是否能提升相较于现有最先进基线的长时域6自由度预测能力？(2) 推理模块在生成用于意图对齐的空间预测的准确且可靠的路径点方面效果如何？(3) 渐进式训练策略与轨迹标记接口对整体性能有何贡献？此外，我们还提供了定性结果，展示了模型在泛化能力和可控意图条件运动方面的表现。

#### 5.1. 评估设置与指标

轨迹指标。我们采用标准的手部轨迹预测指标来评估所有方法，包括平均位移误差（ADE）、最终位移误差（FDE）和动态时间规整（DTW），这些指标均以米为单位报告；此外还有角度旋转误差（Rot），单位为度。为评估随机生成预测能力，每个模型会针对每个查询采样$K=1/5/10$条轨迹。除非另有说明，所有结果均取最佳K个轨迹，即选择误差最小的轨迹作为最终结果。

路径点（WP）指标。我们评估由我们的VLM预测的<CONTACT>和<END>路径点。我们用两个以米为单位的指标来衡量关键意图状态的定位精度：接触距离（Contact）：在接触完成时刻，预测手腕位置与真实手腕位置之间的欧几里得距离；轨迹扭曲距离（Traj）：每个预测路径点到真实轨迹上最近点的平均欧几里得距离。

#### 5.2. 基线模型

手部轨迹预测基线。我们对比了五种轨迹基线。标有(*)的基线经过调整，以匹配EgoMAN的设置：使用单张RGB图像、意图文本嵌入以及过往运动数据作为输入，来预测长达5秒的6自由度双手轨迹，评估指标基于真实轨迹时长计算。1) USST* [^6]：一种用于中心视角下3D手部轨迹预测的不确定性感知状态空间变换器；2) MMTwin* [^41]：一种采用双扩散专家模块与Mamba-Transformer架构的模型，用于联合预测自身运动与手部运动；3) HandsOnVLM* [^5]：一种通过对话预测2D轨迹的视觉语言模型，我们将其调整为利用条件变分自编码器从50个预测出的特殊手部标记中生成6自由度姿态。

---

<table border=1 style='margin: auto; word-wrap: break-word;'><tr><td rowspan="2">Method</td><td rowspan="2">WP</td><td rowspan="2">Detect</td><td rowspan="2">FPS $\uparrow$</td><td colspan="2">EgoMAN</td><td colspan="2">HOT3D</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>Contact $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>Traj $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>Contact $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>Traj $\downarrow$</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>HAMSTER $^{{*}}$ [^31]</td><td style='text-align: center; word-wrap: break-word;'>2D-text</td><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>0.17</td><td style='text-align: center; word-wrap: break-word;'>0.342</td><td style='text-align: center; word-wrap: break-word;'>0.297</td><td style='text-align: center; word-wrap: break-word;'>0.236</td><td style='text-align: center; word-wrap: break-word;'>0.219</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>VRB $^{{*}}$ [^2]</td><td style='text-align: center; word-wrap: break-word;'>3D</td><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>0.03</td><td style='text-align: center; word-wrap: break-word;'>0.300</td><td style='text-align: center; word-wrap: break-word;'>0.271</td><td style='text-align: center; word-wrap: break-word;'>0.216</td><td style='text-align: center; word-wrap: break-word;'>0.224</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>VidBot [^11]</td><td style='text-align: center; word-wrap: break-word;'>3D</td><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>0.04</td><td style='text-align: center; word-wrap: break-word;'>0.290</td><td style='text-align: center; word-wrap: break-word;'>0.269</td><td style='text-align: center; word-wrap: break-word;'>0.190</td><td style='text-align: center; word-wrap: break-word;'>0.147</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>EgoMAN-WP</td><td style='text-align: center; word-wrap: break-word;'>3D</td><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>3.45</td><td style='text-align: center; word-wrap: break-word;'>0.192</td><td style='text-align: center; word-wrap: break-word;'>0.127</td><td style='text-align: center; word-wrap: break-word;'>0.188</td><td style='text-align: center; word-wrap: break-word;'>0.110</td></tr></table>

<div style="text-align: center;">Table 2. Waypoint prediction results. Lower is better for Contact and Traj; higher is better for FPS (averaged over 50 samples on an NVIDIA PG509-210, 80GB). EgoMAN-WP achieves the best accuracy, improving Contact by 33.8% and Traj by 52.8% on EgoMAN-Unseen, and runs orders of magnitude faster at 3.45 FPS.</div>

<table border=1 style='margin: auto; word-wrap: break-word;'><tr><td style='text-align: center; word-wrap: break-word;'>Pretrain Reason FM</td><td style='text-align: center; word-wrap: break-word;'>WP</td><td style='text-align: center; word-wrap: break-word;'>ADE $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>FDE $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>DTW $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>Rot $\downarrow$</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>0.273</td><td style='text-align: center; word-wrap: break-word;'>0.308</td><td style='text-align: center; word-wrap: break-word;'>0.260</td><td style='text-align: center; word-wrap: break-word;'>51.79</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>6DoF</td><td style='text-align: center; word-wrap: break-word;'>0.215</td><td style='text-align: center; word-wrap: break-word;'>0.255</td><td style='text-align: center; word-wrap: break-word;'>43.03</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>0.162</td><td style='text-align: center; word-wrap: break-word;'>0.225</td><td style='text-align: center; word-wrap: break-word;'>36.24</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>0.161</td><td style='text-align: center; word-wrap: break-word;'>0.224</td><td style='text-align: center; word-wrap: break-word;'>35.90</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>Emb</td><td style='text-align: center; word-wrap: break-word;'>0.150</td><td style='text-align: center; word-wrap: break-word;'>0.210</td><td style='text-align: center; word-wrap: break-word;'>34.02</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>6DoF</td><td style='text-align: center; word-wrap: break-word;'>0.151</td><td style='text-align: center; word-wrap: break-word;'>0.206</td><td style='text-align: center; word-wrap: break-word;'>33.88</td></tr></table>

<div style="text-align: center;">Table 3. Ablation on EgoMAN-Unseen (K=1). Lower is better. Reason and FM pretraining with 6DoF waypoints yield the highest accuracy.</div>

![Image](images/3cbea9fd029461287cfa79d67430eb94ac7450f110436f8285988a29c7ddbada.jpg)

<div style="text-align: center;">Figure 3. Qualitative comparisons on EgoMAN-Bench. We visualize best-of- $K=10$ predictions for waypoints and full trajectories. Left: <CONTACT> and <END> waypoint predictions compared with VRB $^{*}$ and VidBot. Right: 3D hand trajectory forecasts and 2D projections compared with prior baselines. Our EgoMAN model produces the smoothest and closest results to ground truth.</div>

自编码器（CVAE）[^25]头部；我们还纳入了自己流程中的两种消融实验设置：4) FM-Base：我们的流匹配运动专家模型，以图像、意图和过往运动数据为条件，但无需视觉语言模型推理；5) EgoMAN-ACT：我们的变体模型，去除了推理预训练与航点监督，仅以视觉语言模型学习到的<ACT>标记作为运动专家的条件输入。

基于可供性指标的基线。我们评估了三种基于可供性的方法：HAMSTER* [^31]、VRB* [^2]和VidBot [^11]，这些方法均针对我们的航点预测设置进行了调整以实现公平对比。所有方法均采用相同的RGB图像、Metric3D深度图[^22]以及动词-物体文本作为输入，预测与EgoMAN的<CONTACT>和<END>航点对齐的接触点与目标点。Aria鱼眼图像会通过设备校准转换为针孔相机视图。VRB*和HAMSTER*会输出2D可供性点，我们将其反投影为3D点；对于HAMSTER*，我们将首个和最后一个预测点分别视为接触点和目标点。VidBot和VRB*会返回受物体条件约束的可供性候选点；若存在多个候选点，我们会选择距离目标物体最近的那一个。由于这些模型输出的是可供性点而非手腕姿态，我们通过选取距离真实手腕5厘米范围内最近的预测点来近似手腕位置。

#### 5.3. 实验结果

轨迹评估。如表 1 所示，完整的 Ego-MAN 模型取得了最低的 ADE、FDE、DTW 和

---

对于所有采样预算，该模型的旋转误差均最低$K \in 1, 5, 10$。它大幅优于最强的外部基线HandsOnVLM*：在保留的EgoMAN-Unseen测试集上，ADE降低了27.5%$K=10$；在分布外HOT3D-OOD数据集上，ADE也降低了27.3%，显示出强大的跨领域泛化能力。

FM-base在两个测试集上的表现均已优于基于状态空间和Mamba的预测器（USST*、MMTwin*），这表明基于Flow Matching的编码器-解码器建模为长时域6DoF运动预测提供了更坚实的基础。引入视觉-语言监督还能进一步提升精度。HandsOnVLM*利用了文本引导，但其CVAE解码器是根据从嘈杂的自我中心数据中学习到的50个VLM生成的手部特征来预测轨迹，导致6DoF误差更高；即便采样数K增加，其性能提升也十分有限。

航点评估。表2显示，EgoMAN-WP直接从推理模块回归三维<CONTACT>和<END>手腕位置，在EgoMAN-Unseen和HOT3D-OOD数据集上均取得了最佳性能。在EgoMAN-Unseen数据集上，它将接触误差从0.29–0.34米降低至0.19米，DTW值也从0.27–0.30米降至0.13米；同时在极具挑战性的HOT3D-OOD测试集上，它仍保持着最低的接触误差。EgoMAN-WP的效率也更高，其运行帧率可达3.45 FPS，而需要大量检测与三维后处理的VRB*和VidBot帧率却不足0.05 FPS。我们的EgoMAN模型仅预测四个结构化且紧凑的轨迹标记，从而兼顾了速度与鲁棒性。

#### 5.4. 消融实验

如表3所示，我们对方法的各个组成部分进行了消融实验。在预训练阶段，我们分别切换推理预训练（Reason）和流匹配预训练（FM）。对于航点（WP）的选择，我们比较了不使用航点（$\chi$）、我们设计的显式6DoF航点（6DoF），以及将解码器的最终隐藏状态作为隐式嵌入（Emb）这三种情况。

从没有任何预训练和航点的模型出发，仅添加FM预训练（✗/✓✗）就能在所有指标上带来最大的单项提升，这体现了运动感知初始化的重要性。单独的Reason预训练（✓/✗/6DoF）也能带来显著改进，但效果仍弱于FM预训练。结合两种预训练信号（✓/✓✗）能进一步降低误差，表明二者具有互补优势。最后，在同时采用Reason和FM预训练的基础上加入航点机制，可取得最强的整体性能：隐式航点变体Emb的ADE值最低，且接近采用显式6DoF航点设计的完整模型，后者在FDE、DTW和旋转误差方面表现最优。有关消融实验的更详细分析，请参阅附录。

![Image](images/339774916f11dbfe3af850fafb672043428bc4c75fc59fbd476bb7c1f9831fea.jpg)

<div style="text-align: center;">Figure 4. Qualitative results of diverse activities. EgoMAN generates accurate 6DoF hand trajectories for diverse activities,  $\underline{\text{aligning motion with}}$ the intent description and scene spatial.</div>

![Image](images/857a0394c497513450ed62a4022dea0dd55bde824b23e933b518670814fa57a3.jpg)

<div style="text-align: center;">Figure 5. Multiple intents. With the same image and past motion, EgoMAN model produces distinct 6DoF trajectories for different intent queries, showing controllable intent-to-motion generation.</div>

#### 5.5. 定性分析

我们在图3中展示了EgoMAN-Bench（EgoMAN-Unseen和HOT3D-OOD）上的最佳$K=10$预测结果。图3左侧对比了基于可供性方法的基线模型（VRB*、VidBot）与我们EgoMAN模型的航点。我们预测的接触点与终点与GT手腕位置高度吻合，而基于可供性的方法由于检测误差往往无法触及目标表面，或会偏离预定目标区域而朝向手部移动。图3右侧则将完整的6DoF轨迹与轨迹基线模型（USST、HandsOnVLM、MMTwin、FM-base）进行比较。EgoMAN生成的动作更平滑、更精准，既能到达目标位置，又能以正确的手腕方向完成操作；而基线模型在杂乱场景中或对陌生物体及意图描述的处理上，常常出现触及不足、过度延伸或轨迹偏移的问题。

图4进一步展示了关闭笔记本电脑、捡起袜子、打开柜子以及撕开调料包等多样化活动。在这些场景中，EgoMAN模型始终能生成符合动词短语和场景空间上下文的轨迹，证明这种“推理到运动”的流水线能够很好地泛化到各类现实世界的手物交互任务中。

最后，图5展示了在相同视觉和运动语境下基于意图的条件化运动生成结果。面对不同的意图查询，EgoMAN模型会先推理出相应动作，预测出不同的航点，进而生成对应的……

---

……截然不同但均有效的6DoF轨迹（例如打开烤箱、取叉子、戳食物、开启炉灶）。这种可控的意图到运动映射能够实现多样化的手部轨迹生成，从而支持机器人学习与数据增强。

### 6. 结论

我们推出了EgoMAN数据集，这是一个用于交互阶段感知的6自由度手部轨迹预测的大规模自中心基准数据集，其中包含能够捕捉语义、空间和运动推理的结构化问答对。我们还提出了EgoMAN模型，这是一种模块化的“推理到运动”框架，它通过轨迹标记接口和渐进式训练，将高层意图与基于物理约束的6自由度轨迹相匹配。实验表明，与仅关注运动的基线模型以及VLM基线模型相比，EgoMAN取得了显著优势：Flow Matching能够生成更平滑、更稳定的轨迹；基于VLM的推理提升了语义一致性以及对新场景和意图的泛化能力；而轨迹标记接口则实现了高效推理，将基于意图的阶段感知推理与精确的低级运动生成紧密衔接。总体而言，EgoMAN为上下文动作预测迈出了实用的一步，可应用于机器人操控、语言条件下的运动合成以及基于意图的辅助系统等领域。

## 致谢

我们感谢Lingni Ma在Nymeria数据集相关方面的宝贵讨论与支持。我们也感谢Hanzhi Chen协助我们将可供性模型适配到我们的航点评估协议中。我们衷心感谢Project Aria、EgoExo4D和HOT3D团队发布这些基础数据集，正是它们为本研究提供了可能。

## 参考文献

[^1]: Project Aria Machine Perception Services. 3

[^2]: Shikhar Bahl, Russell Mendonca, Lili Chen, Unnat Jain, and Deepak Pathak. Affordances from human videos as a versatile representation for robotics. In CVPR, 2023. 2, 3, 7

[^3]: Shuai Bai, Keqin Chen, Xuejing Liu, Jialin Wang, Wenbin Ge, Sibo Song, Kai Dang, Peng Wang, Shijie Wang, Jun Tang, et al. Qwen2.5-vl technical report. arXiv preprint arXiv:2502.13923, 2025. 2, 3, 4, 12

[^4]: Prithviraj Banerjee, Sindi Shkodrani, Pierre Moulon, Shreyas Hampali, Fan Zhang, Jade Fountain, Edward Miller, Selen Basol, Richard Newcombe, Robert Wang, et al. Introducing hot3d: An egocentric dataset for 3d hand and object tracking. arXiv preprint arXiv:2406.09598, 2024. 2, 3, 12

[^5]: Chen Bao, Jiarui Xu, Xiaolong Wang, Abhinav Gupta, and Homanga Bharadhwaj. Handsonvlm: Vision-language models for hand-object interaction prediction. Transactions on Machine Learning Research, 2025. 2, 6, 14

[^6]: Wentao Bao, Lele Chen, Libing Zeng, Zhong Li, Yi Xu, Junsong Yuan, and Yu Kong. Uncertainty-aware state space transformer for egocentric 3d hand trajectory forecasting. In International Conference on Computer Vision (ICCV), 2023. 2, 6, 14

[^7]: Homanga Bharadhwaj, Abhinav Gupta, Vikash Kumar, and Shubham Tulsiani. Towards generalizable zero-shot manipulation via translating human interaction plans. In 2024 IEEE International Conference on Robotics and Automation (ICRA), pages 6904–6911. IEEE, 2024. 2

[^8]: Homanga Bharadhwaj, Roozbeh Mottaghi, Abhinav Gupta, and Shubham Tulsiani. Track2act: Predicting point tracks from internet videos enables generalizable robot manipulation. In ECCV, 2024. 3

[^9]: Homanga Bharadhwaj, Debidatta Dwibedi, Abhinav Gupta, Shubham Tulsiani, Carl Doersch, Ted Xiao, Dhruv Shah, Fei Xia, Dorsa Sadigh, and Sean Kirmani. Gen2act: Human video generation in novel scenarios enables generalizable robot manipulation. Conference on Robot Learning, 2025. 3

[^10]: Kevin Black, Noah Brown, Danny Driess, Adnan Esmail, Michael Equi, Chelsea Finn, Niccolo Fusai, Lachy Groom, Karol Hausman, Brian Ichter, et al. $\pi_{0}$: A vision-language-action flow model for general robot control. arXiv preprint arXiv:2410.24164, 2024. 2, 3

[^11]: Hanzhi Chen, Boyang Sun, Anran Zhang, Marc Pollefeys, and Stefan Leutenegger. VidBot: Learning generalizable 3d actions from in-the-wild 2d human videos for zero-shot robotic manipulation. In CVPR, 2025. 2, 7

[^12]: Zhe Chen, Jiannan Wu, Wenhai Wang, Weijie Su, Guo Chen, Sen Xing, Muyan Zhong, Qinglong Zhang, Xizhou Zhu, Lewei Lu, et al. Internvl: Scaling up vision foundation models and aligning for generic visual-linguistic tasks. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 24185–24198, 2024. 2

[^13]: Danny Driess, Fei Xia, Mehdi S. M. Sajjadi, Corey Lynch, Aakanksha Chowdhery, Brian Ichter, Ayzaan Wahid, Jonathan Tompson, Quan Vuong, Tianhe Yu, Wenlong Huang, Yevgen Chebotar, Pierre Sermanet, Daniel Duckworth, Sergey Levine, Vincent Vanhoucke, Karol Hausman, Marc Toussaint, Klaus Greff, Andy Zeng, Igor Mordatch, and Pete Florence. Palm-e: an embodied multimodal language model. In Proceedings of the 40th International Conference on Machine Learning. JMLR.org, 2023. 2, 3

[^14]: Jakob Engel, Kiran Somasundaram, Michael Goesele, Albert Sun, Alexander Gamino, Andrew Turner, Arjang Talatof, Arnie Yuan, Bilal Souti, Brighid Meredith, et al. Project aria: A new tool for egocentric multi-modal ai research. arXiv preprint arXiv:2308.13561, 2023. 3

[^15]: Aaron Grattafiori et al. The llama 3 herd of models, 2024.

[^16]: Gemma Team et al. Gemma 3 technical report, 2025. 3

### [^17]: Kristen Grauman, Andrew Westbury, Lorenzo Torresani, Kris Kitani, Jitendra Malik, Triantafyllos Afouras, Kumar Ashutosh, Vijay Baiyya, Siddhant Bansal, Bikram Boote, et al. Ego-exo4d: Understanding skilled human activity from first-and third-person perspectives. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 19383–19400, 2024. 2, 3, 12

---

[^18]: Chuan Guo, Xinxin Zuo, Sen Wang, and Li Cheng. Tm2t: Stochastic and tokenized modeling for the reciprocal generation of 3d human motions and texts. In ECCV, 2022. 13

[^19]: Masashi Hatano, Ryo Hachiuma, and Hideo Saito. Emag: Ego-motion aware and generalizable 2d hand forecasting from egocentric videos. In European Conference on Computer Vision Workshops (ECCVW), 2024. 2

[^20]: Masashi Hatano, Zhifan Zhu, Hideo Saito, and Dima Damen. The invisible egohand: 3d hand forecasting through egobody pose estimation. arXiv preprint arXiv:2504.08654, 2025. 2

[^21]: Ryan Hoque, Peide Huang, David J Yoon, Mouli Sivapurapu, and Jian Zhang. Egodex: Learning dexterous manipulation from large-scale egocentric video. arXiv preprint arXiv:2505.11709, 2025. 2, 3

[^22]: Mu Hu, Wei Yin, Chi Zhang, Zhipeng Cai, Xiaoxiao Long, Hao Chen, Kaixuan Wang, Gang Yu, Chunhua Shen, and Shaojie Shen. Metric3d v2: A versatile monocular geometric foundation model for zero-shot metric depth and surface normal estimation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2024. 7

[^23]: Simar Kareer, Dhruv Patel, Ryan Punamiya, Pranay Mathur, Shuo Cheng, Chen Wang, Judy Hoffman, and Danfei Xu. Egomimic: Scaling imitation learning via egocentric video. In 2025 IEEE International Conference on Robotics and Automation (ICRA), pages 13226–13233. IEEE, 2025. 2, 3

[^24]: Moo Jin Kim, Karl Pertsch, Siddharth Karamcheti, Ted Xiao, Ashwin Balakrishna, Suraj Nair, Rafael Rafailov, Ethan Foster, Grace Lam, Pannag Sanketi, Quan Vuong, Thomas Kollar, Benjamin Burchfiel, Russ Tedrake, Dorsa Sadigh, Sergey Levine, Percy Liang, and Chelsea Finn. Openvla: An open-source vision-language-action model. arXiv preprint arXiv:2406.09246, 2024. 2, 3

[^25]: Diederik P. Kingma and Max Welling. Auto-encoding variational bayes. CoRR, abs/1312.6114, 2013. 7

[^26]: Taein Kwon, Bugra Tekin, Jan Stühmer, Federica Bogo, and Marc Pollefeys. H2o: Two hands manipulating objects for first person interaction recognition. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), pages 10138–10148, 2021. 2

[^27]: Xin Lai, Zhuotao Tian, Yukang Chen, Yanwei Li, Yuhui Yuan, Shu Liu, and Jiaya Jia. Lisa: Reasoning segmentation via large language model. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 9579–9589, 2024. 3

[^28]: Jason Lee, Jiafei Duan, Haoquan Fang, Yuquan Deng, Shuo Liu, Boyang Li, Bohan Fang, Jieyu Zhang, Yi Ru Wang, Sangho Lee, et al. Molmoact: Action reasoning models that can reason in space. arXiv preprint arXiv:2508.07917, 2025. 2, 3

[^29]: Qixiu Li, Yu Deng, Yaobo Liang, Lin Luo, Lei Zhou, Chengtang Yao, Lingqi Zeng, Zhiyuan Feng, Huizhi Liang, Sicheng Xu, et al. Scalable vision-language-action model pretraining for robotic manipulation with real-life human activity videos. arXiv preprint arXiv:2510.21571, 2025. 3

[^30]: Yiming Li, Ziang Cao, Andrew Liang, Benjamin Liang, Luoyao Chen, Hang Zhao, and Chen Feng. Egocentric prediction of action target in 3d. In Proceedings of the IEEE/CVF Con-

计算机视觉与模式识别会议（CVPR），2022年。2

[^31]: Yi Li, Yuquan Deng, Jesse Zhang, Joel Jang, Marius Memmel, Raymond Yu, Caelan Reed Garrett, Fabio Ramos, Dieter Fox, Anqi Li, et al. Hamster: Hierarchical action models for open-world robot manipulation. arXiv preprint arXiv:2502.05485, 2025. 2, 3, 7

[^32]: Chin-Yew Lin. Rouge: A package for automatic evaluation of summaries. In Annual Meeting of the Association for Computational Linguistics, 2004. 14

[^33]: Yaron Lipman, Ricky T. Q. Chen, Heli Ben-Hamu, Maximilian Nickel, and Matthew Le. Flow matching for generative modeling. In The Eleventh International Conference on Learning Representations, 2023. 2, 5, 12

[^34]: Haotian Liu, Chunyuan Li, Qingyang Wu, and Yong Jae Lee. Visual instruction tuning. Advances in neural information processing systems, 36, 2024. 2, 3

[^35]: Miao Liu, Siyu Tang, Yin Li, and James M Rehg. Forecasting human-object interaction: joint prediction of motor attention and actions in first person video. In Computer Vision–ECCV 2020: 16th European Conference, Glasgow, UK, August 23–28, 2020, Proceedings, Part I 16, pages 704–721. Springer, 2020. 2

[^36]: Shaowei Liu, Subarna Tripathi, Somdeb Majumdar, and Xiaolong Wang. Joint hand motion and interaction hotspots prediction from egocentric videos. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2022. 2

[^37]: Ilya Loshchilov and Frank Hutter. Decoupled weight decay regularization. In ICLR, 2017. 12

[^38]: Hao Luo, Yicheng Feng, Wanpeng Zhang, Sipeng Zheng, Ye Wang, Haoqi Yuan, Jiazheng Liu, Chaoyi Xu, Qin Jin, and Zongqing Lu. Being-h0: vision-language-action pretraining from large-scale human videos. arXiv preprint arXiv:2507.15597, 2025. 2, 3

[^39]: Junyi Ma, Xieyuanli Chen, Wentao Bao, Jingyi Xu, and Hesheng Wang. Madiff: Motion-aware mamba diffusion models for hand trajectory prediction on egocentric videos, 2024. 2

[^40]: Junyi Ma, Jingyi Xu, Xieyuanli Chen, and Hesheng Wang. Diff-ip2d: Diffusion-based hand-object interaction prediction on egocentric videos. arXiv preprint arXiv:2405.04370, 2024.2

[^41]: Junyi Ma, Wentao Bao, Jingyi Xu, Guanzhong Sun, Xieyuanli Chen, and Hesheng Wang. Novel diffusion models for multi-modal 3d hand trajectory prediction, 2025. 2, 6, 14

[^42]: Lingni Ma, Yuting Ye, Fangzhou Hong, Vladimir Guzov, Yifeng Jiang, Rowan Postyeni, Luis Pesqueira, Alexander Gamino, Vijay Baiyya, Hyo Jin Kim, Kevin Bailey, David Soriano Fosas, C. Karen Liu, Ziwei Liu, Jakob Engel, Renzo De Nardi, and Richard Newcombe. Nymeria: A massive collection of multimodal egocentric daily motion in the wild. In the 18th European Conference on Computer Vision (ECCV), 2024. 2, 3, 12

### [^43]: Muhammad Maaz, Hanoona Rasheed, Salman Khan, and Fahad Shahbaz Khan. Video-chatgpt: Towards detailed video understanding via large vision and language models. arXiv preprint arXiv:2306.05424, 2023. 3

---

[^44]: Aaron van den Oord, Yazhe Li, and Oriol Vinyals. Representation learning with contrastive predictive coding. arXiv preprint arXiv:1807.03748, 2018. 4, 12

[^45]: OpenAI and et al. Gpt-4 technical report, 2024. 3

[^46]: Kishore Papineni, Salim Roukos, Todd Ward, and Wei-Jing Zhu. Bleu: a method for automatic evaluation of machine translation. In Annual Meeting of the Association for Computational Linguistics, 2002. 14

[^47]: Ethan Perez, Florian Strub, Harm de Vries, Vincent Dumoulin, and Aaron Courville. Film: visual reasoning with a general conditioning layer. In Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence and Thirtieth Innovative Applications of Artificial Intelligence Conference and Eighth AAAI Symposium on Educational Advances in Artificial Intelligence. AAAI Press, 2018. 13

[^48]: Karl Pertsch, Kyle Stachowicz, Brian Ichter, Danny Driess, Suraj Nair, Quan Vuong, Oier Mees, Chelsea Finn, and Sergey Levine. Fast: Efficient action tokenization for vision-language-action models. arXiv preprint arXiv:2501.09747, 2025. 2

[^49]: Physical Intelligence, Kevin Black, Noah Brown, James Darpinian, Karan Dhabalia, Danny Driess, Adnan Esmail, Michael Equi, Chelsea Finn, Niccolo Fusai, et al. $\pi_{0.5}$: A vision–language–action model with open-world generalization. arXiv preprint arXiv:2504.16054, 2025. 2, 3

[^50]: Alec Radford, Jong Wook Kim, Chris Hallacy, Aditya Ramesh, Gabriel Goh, Sandhini Agarwal, Girish Sastry, Amanda Askell, Pamela Mishkin, Jack Clark, et al. Learning transferable visual models from natural language supervision. In International conference on machine learning, pages 8748–8763. PmLR, 2021. 4, 13

[^51]: Hanoona Rasheed, Muhammad Maaz, Sahal Shaji, Abdelrahman Shaker, Salman Khan, Hisham Cholakkal, Rao M. Anwer, Eric Xing, Ming-Hsuan Yang, and Fahad S. Khan. Glamm: Pixel grounding large multimodal model. The IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2024. 3

[^52]: Oriane Siméoni, Huy V. Vo, Maximilian Seitzer, Federico Baldassarre, Maxime Oquab, Cijo Jose, Vasil Khalidov, Marc Szafraniec, Seungeun Yi, Michaël Ramamonjisao, Francisco Massa, Daniel Haziza, Luca Wehrstedt, Jianyuan Wang, Timothée Darcet, Théo Moutakanni, Leonel Sentana, Claire Roberts, Andrea Vedaldi, Jamie Tolan, John Brandt, Camille Couprie, Julien Mairal, Hervé Jégou, Patrick Labatut, and Piotr Bojanowski. DINOv3, 2025. 5

[^53]: Xin Wang, Taein Kwon, Mahdi Rad, Bowen Pan, Ishani Chakraborty, Sean Andrist, Dan Bohus, Ashley Feniello, Bugra Tekin, Felipe Vieira Frujeri, Neel Joshi, and Marc Pollefeys. Holoassist: an egocentric human interaction dataset for interactive ai assistants in the real world. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), pages 20270–20281, 2023. 2

[^54]: Junjie Wen, Yichen Zhu, Jinming Li, Zhibin Tang, Chaomin Shen, and Feifei Feng. Dexvla: Vision-language model with plug-in diffusion expert for general robot control. arXiv preprint arXiv:2502.05855, 2025. 2, 3

[^55]: Ruihan Yang, Qinxi Yu, Yecheng Wu, Rui Yan, Borui Li, An-Chieh Cheng, Xueyan Zou, Yunhao Fang, Xuxin Cheng,

邱日昭等人。Egovla：从自中心人类视频中学习视觉-语言-动作模型。arXiv预印本arXiv:2507.12440，2025年。3

[^56]: Chengbo Yuan, Chuan Wen, Tong Zhang, and Yang Gao. General flow as foundation affordance for scalable robot learning. arXiv preprint arXiv:2401.11439, 2024. 3

[^57]: Tianyi Zhang, Varsha Kishore, Felix Wu, Kilian Q. Weinberger, and Yoav Artzi. Bertscore: Evaluating text generation with BERT. In 8th International Conference on Learning Representations, ICLR 2020, Addis Ababa, Ethiopia, April 26-30, 2020. OpenReview.net, 2020. 14

[^58]: Wenqi Zhang, Mengna Wang, Gangao Liu, Huixin Xu, Ywei Jiang, Yongliang Shen, Guiyang Hou, Zhe Zheng, Hang Zhang, Xin Li, Weiming Lu, Peng Li, and Yueting Zhuang. Embodied-reasoner: Synergizing visual search, reasoning, and action for embodied interactive tasks. arXiv preprint arXiv:2503.21696, 2025. 2, 3

[^59]: Yi Zhou, Connelly Barnes, Jingwan Lu, Jimei Yang, and Hao Li. On the continuity of rotation representations in neural networks. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pages 5745–5753, 2019. 3, 4

### [^60]: Brianna Zitkovich, Tianhe Yu, Sichun Xu, Peng Xu, Ted Xiao, Fei Xia, Jialin Wu, Paul Wohlhart, Stefan Welker, Ayzaan Wahid, et al. Rt-2: Vision-language-action models transfer web knowledge to robotic control. In Conference on Robot Learning, pages 2165–2183. PMLR, 2023. 2, 3

---

### A. 附录概要

在本附录中，我们提供了：

1. 我们系统的视频演示，包括具有代表性的交互案例（见章节B）。

2. EgoMAN模型流程及渐进式训练策略的实现细节（见章节C）。

3. 主论文中所呈现的消融实验结果的详细分析（见章节D）。

4. 预测的手部轨迹与动作动词之间的语义一致性评估结果，以及与各基线模型的对比（见章节E）。

5. 不同参数规模的推理模块之间的对比，包括EgoMAN-QA准确率及轨迹预测性能（见章节F）。

6. 数据标注中使用的代表性提示示例（见章节G）。

7. 局限性与未来工作方向（见章节H）。

### B. 视频

我们的视频直观展示了EgoMAN的核心贡献，涵盖了数据集、模型架构以及定性演示内容。视频首先介绍了EgoMAN数据集，随后重点讲解了完整的EgoMAN流程，该流程包含推理模块、运动专家以及端到端的6自由度轨迹生成环节（通过轨迹标记接口实现从推理到运动的衔接）。

在数据集概览部分，我们展示了与EgoMAN中频率最高的十二个动词相对应的各种手-物体交互示例（例如抓取、打开、放置、倾倒、搅拌）。所展示的视频片段来自多个数据源，如EgoExo4D [^17]、Nymeria [^42]和HOT3D-Aria [^4]，它们体现了这些交互发生在具有自然噪声、杂乱环境和复杂视角的真实日常场景中。这些示例展现了数据集的规模、多样性和难度，从而凸显出构建鲁棒的、基于意图条件的3D手部轨迹模型的必要性。

定性结果部分重点展示了EgoMAN生成受意图引导的轨迹的能力。我们首先展示了各种场景下的数十个代表性案例：比如厨房场景中的搅拌牛奶和关闭炉灶、家居场景中的捡起袜子和开门、工作场景中的合上笔记本电脑和拔插电线，以及HOT3D场景中的操控碗或操控沙拉酱瓶。对于每个案例，视频会显示：(1)原始输入图像，(2)意图文本，(3)来自推理模块的中间航点预测结果，以及(4)最终的6自由度轨迹输出。这些预测结果既会在静态输入图像上可视化，也会叠加在未来的自拍视频帧上，以便更清晰地呈现空间精度和运动质量。

在所有演示中，EgoMAN都能准确预测目标物体周围的接触点和终点航点，生成的3D轨迹遵循符合预期语义的真实操作路径。虽然某些开放式任务（如开门、捡袜子）在最终姿态或时间上可能存在细微差异，或者非操作手相对于单一真实实例会有轻微偏差，但操作手的预测轨迹仍能在语义上与预期目标保持一致。这些结果凸显了EgoMAN在各类场景和交互类型中生成可靠的、受意图驱动的6自由度手部轨迹的能力。

我们还展示了目标导向的轨迹生成结果：同一输入图像搭配不同的意图描述时，EgoMAN模型仍能预测出与预期目标相符的不同轨迹，即便是在未见过的环境中也是如此。

请访问我们的项目网站，查看更多不同交互场景下的轨迹预测结果。

### C. 实现细节

推理模块。该推理模块采用bf16精度优化，并使用AdamW优化器以及余弦学习率衰减策略，其中引用了[^37]。视觉编码器和多模态投影层被冻结。我们设置的基础学习率为$1 \times 10^{-5}$，预热比例为0.02，权重衰减为0.05，最大梯度范数限制为1.0，在$8 \times$块NVIDIA A100 80GB GPU上以256的批量大小进行训练。训练共进行2个周期，涉及约100万个EgoMAN QA样本。图像采用动态缩放处理，其中max_pixels=50176，min_pixels=784。如果输入问题中提供了过往运动信息，我们会取最近5个手部的轨迹点，这些点以10 fps的频率进行分词处理；否则则使用初始化为零的运动历史数据。我们采用4层MLP从运动数据中提取特征，随后将这些特征输入Qwen2.5-VL模型，即[^3]。专门设计的航点解码器是轻量级的ReLU MLP，隐藏维度为768，用于预测时间戳、3D位置和6DoF旋转参数。动作语义解码器则是一个单层MLP（维度为768）。当批次中有效样本数量低于$\kappa=10$时，我们采用余弦相似度损失函数；否则应用InfoNCE损失，详见[^44]。损失权重分别设置为$\lambda_{wp}=0.3$和$\lambda_{act}=0.1$，内部权重则为$\lambda_t=1.0$、$\lambda_{3D}=2.0$、$\lambda_{2D}=0.5$、$\lambda_r=0.5$以及$\lambda_{geo}=0.15$。对于rot6D损失，我们应用Huber损失，相关参数为$\beta=0.2$；位置项的相关参数则为$\beta_{3D}=0.07$和$\beta_{2D}=0.02$。测地旋转损失仅应用于可见的航点。时间调制功能通过高斯时间窗口实现，相关参数为$\sigma_{time}=3.0$。

运动专家模块。我们基于约1.7万条轨迹数据，对基于流匹配（FM）[^33]的运动解码器进行预训练。输入数据包括DINOv3图像特征、真实动作描述、航点标记以及过往手腕运动信息。运动序列以10 fps的频率采样，未来预测范围最多为50步（即5秒）。该FM架构的隐藏维度为768，包含6个编码器层和6个解码器层Transformer，共有8个注意力头。此外还采用了正弦时间嵌入方式。

---

<table border=1 style='margin: auto; word-wrap: break-word;'><tr><td style='text-align: center; word-wrap: break-word;'>Pretrain Reason</td><td style='text-align: center; word-wrap: break-word;'>FM</td><td style='text-align: center; word-wrap: break-word;'>WP</td><td style='text-align: center; word-wrap: break-word;'>ADE $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>FDE $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>DTW $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>Rot $\downarrow$</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>0.273</td><td style='text-align: center; word-wrap: break-word;'>0.308</td><td style='text-align: center; word-wrap: break-word;'>0.260</td><td style='text-align: center; word-wrap: break-word;'>51.79</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>6DoF</td><td style='text-align: center; word-wrap: break-word;'>0.215</td><td style='text-align: center; word-wrap: break-word;'>0.255</td><td style='text-align: center; word-wrap: break-word;'>0.198</td><td style='text-align: center; word-wrap: break-word;'>43.03</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>0.162</td><td style='text-align: center; word-wrap: break-word;'>0.225</td><td style='text-align: center; word-wrap: break-word;'>0.148</td><td style='text-align: center; word-wrap: break-word;'>36.24</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>✗</td><td style='text-align: center; word-wrap: break-word;'>0.161</td><td style='text-align: center; word-wrap: break-word;'>0.224</td><td style='text-align: center; word-wrap: break-word;'>0.147</td><td style='text-align: center; word-wrap: break-word;'>35.90</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>Emb</td><td style='text-align: center; word-wrap: break-word;'>0.150</td><td style='text-align: center; word-wrap: break-word;'>0.210</td><td style='text-align: center; word-wrap: break-word;'>0.138</td><td style='text-align: center; word-wrap: break-word;'>34.02</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>✓</td><td style='text-align: center; word-wrap: break-word;'>6DoF</td><td style='text-align: center; word-wrap: break-word;'>0.151</td><td style='text-align: center; word-wrap: break-word;'>0.206</td><td style='text-align: center; word-wrap: break-word;'>0.137</td><td style='text-align: center; word-wrap: break-word;'>33.88</td></tr></table>

<div style="text-align: center;">Table 4. Ablation on EgoMAN-Unseen (K=1). Lower is better. Reason and FM pretraining with 6DoF waypoints yield the highest accuracy.</div>

(256维)数据被映射为FiLM风格的[^47]( $\gamma$, $\beta$)参数。解码前会应用2层自注意力模块，同时还会加入模态嵌入和位置嵌入。训练过程采用FP32格式，使用AdamW优化器，学习率为$1 \times 10^{-4}$，权重衰减同样为$1 \times 10^{-4}$，学习率遵循余弦调度策略且预热比例为5%，在单块A100 GPU上以256的批量大小进行训练。训练目标为3D位置的均方误差损失与6D旋转的均方误差损失之和，其中旋转损失的权重设为0.5。推理时，模型会迭代150步，最终仅保留超出真实目标长度的预测轨迹段。

EgoMAN模型的联合训练。我们从推理预训练检查点初始化推理模块，从FM预训练权重初始化运动解码器。训练设置大体上遵循推理预训练的配置，但FM组件仍保持在FP32格式下运行。我们设置的学习率为$5 \times 10^{-6}$，在$8 \times$块NVIDIA A100 80GB GPU上以128的批量大小进行训练。模型在运动预训练中使用的同一微调轨迹数据集上训练60个周期。推理时，模型会迭代150步，最终仅保留超出真实目标长度的预测轨迹段。

#### D. 消融研究的详细分析

在本节中，我们对主论文第5.4节及附录表4中所列的消融实验结果进行了更详细的分析。

推理预训练。移除推理预训练（EgoMAN-ACT）后，WP功能也会被禁用，模型性能随之下降（ADE从0.162降至0.215）。这种预训练利用包含问答对的大规模噪声语料库，编码出语义、空间和运动感知先验知识，有助于消除意图歧义。学习到的航点进一步使轨迹与意图及视觉上下文保持一致。数据效率相关结果（图6）也印证了这一趋势：仅使用20%的训练数据时，EgoMAN的性能（ADE约0.13米）仍优于EgoMAN-ACT（ADE约0.16米）；即便使用全部数据，这种差距依然存在（ADE从0.140降至0.125）。FDE也呈现出类似规律。推理预训练和航点条件设定能够减少歧义。

![Image](images/38eba419264ace00205c538a9479251356199a950e3fdbe15fa937966b9754fe.jpg)

<div style="text-align: center;">Figure 6. Data efficiency results. ADE/FDE (m), best-of-10. The static baseline repeats the last observed hand location. Without pretraining, errors of EgoMAN-ACT rise sharply under limited data, while EgoMAN maintains strong performance even at 20% data, highlighting the benefit of waypoint-based Reasoning Module and pretraining.</div>

通过航点实现轨迹-标记接口（WP）。WP为视觉语言模块与6自由度运动专家之间提供了结构化的接口。以预测的WP为条件进行约束，可提升模型的准确性和稳定性（ADE从0.161降至0.151，DTW从0.147降至0.137，旋转误差从35.90°降至33.88°）。若没有WP，模型性能会降至接近EgoMAN-ACT的水平，这表明学习到的WP强化了推理预训练的作用，其效果超出了隐式的语义嵌入。若用解码器的最终隐藏状态（Emb）替代6自由度航点，带来的差异微乎其微（FDE仅差约0.4厘米；其他指标几乎无变化）。

运动预训练（FM）。在保留推理预训练的前提下移除FM，会导致性能明显下滑（ADE从0.150升至0.215）。没有FM时，模型必须通过隐式语义接口同时学习语义和运动特征，进而导致长时序预测结果更嘈杂，旋转误差也更大。若同时移除FM和推理预训练，性能会进一步恶化（ADE达到0.273，旋转误差为51.79°）。尽管推理预训练和航点学习能缓解这一问题，但先对物理上合理的运动进行FM预训练，再与推理模块联合微调，能在所有指标上取得最显著的提升。

#### E. 运动与文本对齐

我们通过训练运动编码器，将手部轨迹映射到预先计算好的动词文本嵌入空间，并利用类CLIP的对比损失函数来评估轨迹与动作动词之间的语义对齐程度 [^18] [^50]。我们报告Recall@3的结果。

---

<table border=1 style='margin: auto; word-wrap: break-word;'><tr><td style='text-align: center; word-wrap: break-word;'>Method</td><td style='text-align: center; word-wrap: break-word;'>R@3 $\uparrow$</td><td style='text-align: center; word-wrap: break-word;'>FID $\downarrow$</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>USST $^{*}$ [^6]</td><td style='text-align: center; word-wrap: break-word;'>15.0</td><td style='text-align: center; word-wrap: break-word;'>0.22</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>MMTwin $^{*}$ [^41]</td><td style='text-align: center; word-wrap: break-word;'>22.9</td><td style='text-align: center; word-wrap: break-word;'>0.86</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>HandsonVLM $^{*}$ [^5]</td><td style='text-align: center; word-wrap: break-word;'>27.9</td><td style='text-align: center; word-wrap: break-word;'>0.10</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>FM-Base</td><td style='text-align: center; word-wrap: break-word;'>39.7</td><td style='text-align: center; word-wrap: break-word;'>0.05</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>EgoMAN</td><td style='text-align: center; word-wrap: break-word;'>43.9</td><td style='text-align: center; word-wrap: break-word;'>0.04</td></tr></table>

<div style="text-align: center;">Table 5. Motion-to-Verb Text Retrieval. Train one encoder; evaluate verb text-motion relevance over 239 verb candidates.</div>

（即在测试样本包含的239个动词中，真实标注的动词能出现在前3位检索结果中的样本占比），以及预测运动嵌入与真实运动嵌入之间的Fréchet Inception距离（FID）。为了体现生成的多样性，我们还报告了最佳K个结果（K=10）的检索表现。

表5显示，EgoMAN在运动与动词短语的语义对齐方面表现最优，其R@3值高达43.9%，FID值最低，仅为0.04。USST和MMTwin等生成式基线虽然能生成平滑的轨迹，但文本对齐能力较弱；HandsOn-VLM虽受益于语言条件约束，却存在CVAE解码噪点较多的问题。FM-Base已经能提升动词的特异性，说明Flow Matching能够促进更具结构性的运动生成。在EgoMAN中加入VLM推理和航点约束后，歧义进一步减少，轨迹与动词的对应关系更加紧密，生成的运动嵌入分布也更接近真实情况。

### F. 推理模块规模分析

在本节中，我们分析了推理模块的规模调整对高层语义推理及后续运动预测的影响。我们使用相同的训练数据和轨迹-词元接口设置，评估了来自Qwen2.5-VL和Qwen3-VL系列的多种模型尺寸。我们的分析聚焦于两个组成部分：(i) EgoMAN QA：用于衡量语义与空间推理能力；(ii) 在EgoMAN-Bench上的轨迹预测：用于评估推理模块规模对6自由度手部轨迹生成的影响。

#### F.1. EgoMAN QA

评估指标。我们从三个互补的维度来评估推理质量：

- 航点空间推理：我们使用三项指标来评估<CONTACT>和<END>的3D航点精度。位置误差（Loc）是指预测航点与真实航点位置之间的欧几里得距离（以米为单位）。时间误差（Time）用于衡量预测交互阶段的时间准确性。由于<START>（接近起始时刻）始终与时间0对齐，因此我们只计算预测的<CONTACT>（操作起始时刻）和<END>（操作完成时刻）时间戳之间的L1差异（以秒为单位）。

旋转误差（Rot）是指根据相对旋转矩阵计算得出的预测腕部朝向与真实腕部朝向之间的测地距离（以度为单位）。这些指标量化了交互阶段航点在空间、时间和旋转方面的准确性。

• 语义嵌入对齐：我们计算预测嵌入与2844个真实动作嵌入之间的Recall@3（R@3），以及嵌入维度上的平均皮尔逊相关系数（Pearson），该系数反映了学习到的嵌入空间在保留语义相似性方面的表现。

• 语义文本问答：我们使用三种互补的自然语言处理指标来衡量生成答案的质量。BERTScore（BERT）[^57]利用预训练BERT模型生成的上下文相关词元嵌入来计算语义相似度，能够捕捉同义表达和细微语义差异。BLEU [^46]评估预测结果与参考答案之间的n-gram精确度，反映词汇层面的重叠程度。ROUGE-L（ROUGE）[^32]则衡量文本间的最长公共序列，捕捉短语层面的召回率。这些指标共同评估了预测答案与真实解释之间的语义保真度和表面形式相似性。

结果分析。如表6所示，这些模型在文本问答任务上表现出色（BERTScore $\approx$0.92，ROUGE $\approx$0.49），且在语义对齐方面也取得了适度但有意义的成果（R@3最高达11%，Pearson最高达0.26）。尽管动作嵌入空间包含2844个样本，但这些结果仍提供了可靠的语义基础。

表6还显示，提升推理模块的容量能够改善航点定位与语义理解能力。在空间航点预测方面，Qwen3-VL 4B模型的整体准确率最高，其平均位置误差（0.223米）和旋转误差（40.89°）在所有模型中均最低。Qwen3-VL 8B进一步稳定了空间性能，其位置误差和旋转误差同样很小，这表明对于Qwen3-VL系列模型而言，空间定位能力在4B至8B规模时便已趋于饱和。相比之下，语义嵌入对齐呈现出不同的缩放趋势：Qwen2.5-VL 7B模型获得了最高的R@3值和皮尔逊相关系数，显示出推理词元与动作语义之间最强的对齐程度。尽管Qwen3-VL系列中较小的2B和4B模型在空间定位精度上表现优异，但在语义对齐方面却相对滞后，这说明细粒度的动作-语义定位对模型容量的依赖程度要高于几何航点预测。总体而言，扩大模型规模能改善所有指标，但空间精度的峰值出现得较早（4B时），而语义-动作对齐能力则会随着推理容量的增加而持续提升。

---

<table border=1 style='margin: auto; word-wrap: break-word;'><tr><td rowspan="2">Model</td><td rowspan="2">Params</td><td colspan="3">Spatial Reasoning (Waypoints)</td><td colspan="2">Semantic Embedding</td><td colspan="3">Semantic Text QA</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>Loc $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>Time $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>Rot $^{\circ}$ $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>R@3 (%) $\uparrow$</td><td style='text-align: center; word-wrap: break-word;'>Pearson $\uparrow$</td><td style='text-align: center; word-wrap: break-word;'>BERT $\uparrow$</td><td style='text-align: center; word-wrap: break-word;'>BLEU $\uparrow$</td><td style='text-align: center; word-wrap: break-word;'>ROUGE $\uparrow$</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>Qwen2.5-VL</td><td style='text-align: center; word-wrap: break-word;'>3B</td><td style='text-align: center; word-wrap: break-word;'>0.229</td><td style='text-align: center; word-wrap: break-word;'>0.483</td><td style='text-align: center; word-wrap: break-word;'>41.36</td><td style='text-align: center; word-wrap: break-word;'>6.26</td><td style='text-align: center; word-wrap: break-word;'>0.239</td><td style='text-align: center; word-wrap: break-word;'>0.914</td><td style='text-align: center; word-wrap: break-word;'>0.155</td><td style='text-align: center; word-wrap: break-word;'>0.469</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>Qwen2.5-VL</td><td style='text-align: center; word-wrap: break-word;'>7B</td><td style='text-align: center; word-wrap: break-word;'>0.225</td><td style='text-align: center; word-wrap: break-word;'>0.474</td><td style='text-align: center; word-wrap: break-word;'>41.27</td><td style='text-align: center; word-wrap: break-word;'>11.08</td><td style='text-align: center; word-wrap: break-word;'>0.256</td><td style='text-align: center; word-wrap: break-word;'>0.916</td><td style='text-align: center; word-wrap: break-word;'>0.165</td><td style='text-align: center; word-wrap: break-word;'>0.481</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>Qwen3-VL</td><td style='text-align: center; word-wrap: break-word;'>2B</td><td style='text-align: center; word-wrap: break-word;'>0.244</td><td style='text-align: center; word-wrap: break-word;'>0.495</td><td style='text-align: center; word-wrap: break-word;'>41.88</td><td style='text-align: center; word-wrap: break-word;'>1.62</td><td style='text-align: center; word-wrap: break-word;'>0.107</td><td style='text-align: center; word-wrap: break-word;'>0.919</td><td style='text-align: center; word-wrap: break-word;'>0.171</td><td style='text-align: center; word-wrap: break-word;'>0.487</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>Qwen3-VL</td><td style='text-align: center; word-wrap: break-word;'>4B</td><td style='text-align: center; word-wrap: break-word;'>0.223</td><td style='text-align: center; word-wrap: break-word;'>0.481</td><td style='text-align: center; word-wrap: break-word;'>40.89</td><td style='text-align: center; word-wrap: break-word;'>1.69</td><td style='text-align: center; word-wrap: break-word;'>0.134</td><td style='text-align: center; word-wrap: break-word;'>0.919</td><td style='text-align: center; word-wrap: break-word;'>0.171</td><td style='text-align: center; word-wrap: break-word;'>0.494</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>Qwen3-VL</td><td style='text-align: center; word-wrap: break-word;'>8B</td><td style='text-align: center; word-wrap: break-word;'>0.228</td><td style='text-align: center; word-wrap: break-word;'>0.477</td><td style='text-align: center; word-wrap: break-word;'>41.24</td><td style='text-align: center; word-wrap: break-word;'>5.66</td><td style='text-align: center; word-wrap: break-word;'>0.205</td><td style='text-align: center; word-wrap: break-word;'>0.917</td><td style='text-align: center; word-wrap: break-word;'>0.172</td><td style='text-align: center; word-wrap: break-word;'>0.488</td></tr></table>

<div style="text-align: center;">Table 6. Effect of model scale on spatial reasoning, semantic alignment, and text QA on EgoMAN Unseen benchmark. We evaluate (i) waypoint spatial reasoning via 3D location, time, and rotation errors, (ii) semantic embedding alignment using R@3 (computed over 2,844 GT action-embedding candidates) and mean Pearson correlation, and (iii) semantic text QA using BERTScore, BLEU, and ROUGE. Best values are bolded; second-best are \underline{underlined}. Spatial reasoning performance saturates early, and models larger than 2B/3B provide consistently stronger performance. Semantic alignment benefits from larger models, with Qwen2.5-VL outperforming Qwen3-VL, while text QA remains relatively stable across scales, with Qwen3-VL slightly outperforming Qwen2.5-VL.</div>

<table border=1 style='margin: auto; word-wrap: break-word;'><tr><td rowspan="2">Model</td><td rowspan="2">Params</td><td colspan="4">EgoMAN Unseen</td><td colspan="4">HOT3D OOD</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>ADE $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>FDE $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>DTW $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>Rot $^{\circ}$ $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>ADE $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>FDE $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>DTW $\downarrow$</td><td style='text-align: center; word-wrap: break-word;'>Rot $^{\circ}$ $\downarrow$</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>Qwen2.5-VL</td><td style='text-align: center; word-wrap: break-word;'>3B</td><td style='text-align: center; word-wrap: break-word;'>0.128</td><td style='text-align: center; word-wrap: break-word;'>0.184</td><td style='text-align: center; word-wrap: break-word;'>0.115</td><td style='text-align: center; word-wrap: break-word;'>33.16</td><td style='text-align: center; word-wrap: break-word;'>0.146</td><td style='text-align: center; word-wrap: break-word;'>0.221</td><td style='text-align: center; word-wrap: break-word;'>0.135</td><td style='text-align: center; word-wrap: break-word;'>35.82</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>Qwen2.5-VL</td><td style='text-align: center; word-wrap: break-word;'>7B</td><td style='text-align: center; word-wrap: break-word;'>0.124</td><td style='text-align: center; word-wrap: break-word;'>0.179</td><td style='text-align: center; word-wrap: break-word;'>0.111</td><td style='text-align: center; word-wrap: break-word;'>32.75</td><td style='text-align: center; word-wrap: break-word;'>0.141</td><td style='text-align: center; word-wrap: break-word;'>0.217</td><td style='text-align: center; word-wrap: break-word;'>0.130</td><td style='text-align: center; word-wrap: break-word;'>35.09</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>Qwen3-VL</td><td style='text-align: center; word-wrap: break-word;'>2B</td><td style='text-align: center; word-wrap: break-word;'>0.130</td><td style='text-align: center; word-wrap: break-word;'>0.186</td><td style='text-align: center; word-wrap: break-word;'>0.118</td><td style='text-align: center; word-wrap: break-word;'>33.48</td><td style='text-align: center; word-wrap: break-word;'>0.142</td><td style='text-align: center; word-wrap: break-word;'>0.216</td><td style='text-align: center; word-wrap: break-word;'>0.132</td><td style='text-align: center; word-wrap: break-word;'>35.62</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>Qwen3-VL</td><td style='text-align: center; word-wrap: break-word;'>4B</td><td style='text-align: center; word-wrap: break-word;'>0.123</td><td style='text-align: center; word-wrap: break-word;'>0.178</td><td style='text-align: center; word-wrap: break-word;'>0.111</td><td style='text-align: center; word-wrap: break-word;'>32.63</td><td style='text-align: center; word-wrap: break-word;'>0.139</td><td style='text-align: center; word-wrap: break-word;'>0.212</td><td style='text-align: center; word-wrap: break-word;'>0.128</td><td style='text-align: center; word-wrap: break-word;'>34.65</td></tr><tr><td style='text-align: center; word-wrap: break-word;'>Qwen3-VL</td><td style='text-align: center; word-wrap: break-word;'>8B</td><td style='text-align: center; word-wrap: break-word;'>0.122</td><td style='text-align: center; word-wrap: break-word;'>0.177</td><td style='text-align: center; word-wrap: break-word;'>0.110</td><td style='text-align: center; word-wrap: break-word;'>32.31</td><td style='text-align: center; word-wrap: break-word;'>0.140</td><td style='text-align: center; word-wrap: break-word;'>0.214</td><td style='text-align: center; word-wrap: break-word;'>0.129</td><td style='text-align: center; word-wrap: break-word;'>34.62</td></tr></table>

<div style="text-align: center;">Table 7. Effect of Reasoning Module scale on trajectory prediction. Best results are bolded and second-best are  $\underline{\text{underlined}}$. Larger reasoning models produce consistently more accurate 6-DoF trajectories on both EgoMAN Unseen and HOT3D OOD, with Qwen3-VL scaling smoothly and the 4B model offering an excellent speed-accuracy trade-off.</div>

#### F.2. 基于EgoMAN-Bench的轨迹预测

评估指标。我们采用与主论文中一致的四种指标来衡量分阶段6自由度轨迹预测性能：

- ADE：平均位移误差（ADE）是指所有未来时间步中，预测的3D手腕位置与真实位置之间的平均欧几里得距离。

- FDE：最终位移误差（FDE）仅衡量最终预测时间步处的位移距离。这两项指标均以米为单位，用于评估轨迹的整体空间精度和最终状态的一致性。

• DTW：动态时间规整（DTW）是在允许时间拉伸或压缩的情况下，衡量预测轨迹与真实轨迹之间的最小对齐成本。它能捕捉空间形态和时间进程上的差异，因此对动作起始过早或过晚这类时序误差十分敏感。

• 旋转误差（Rot）：根据预测与真实手腕方向之间的相对旋转矩阵计算得出的平均测地旋转误差。我们采用以度为单位的标准测地距离，该数值反映了两种方向之间最小的3D旋转差异。

所有结果均基于EgoMAN Unseen和HOT3D OOD数据集上的best-of-K采样（K=10）得出。

结果。表7显示，扩大推理模块的规模能够在EgoMAN Unseen和HOT3D OOD两个数据集上同步提升6自由度轨迹预测性能。在每个模型系列中，规模更大的变体均能降低ADE/FDE和DTW值，表明其运动预测更为准确且时间对齐程度更高。Qwen3-VL 4B和8B模型的整体表现最为突出，在EgoMAN Unseen数据集上取得了最低的ADE、FDE和旋转误差，在HOT3D OOD数据集上也获得了具有竞争力甚至最优的结果。虽然Qwen2.5-VL 7B模型的表现同样稳健，但Qwen3-VL系列模型从规模扩大中获益更明显，这表明与语义嵌入对齐不同，轨迹预测在Qwen3系列模型中能更平滑地扩展，且达到饱和的时间也更晚。

总体而言，提升推理模块的容量能够增强分阶段6自由度轨迹预测能力。从速度与性能的平衡角度来看，Qwen3-VL 4B在效率与精度之间取得了绝佳平衡，而7B-8B模型虽计算成本更高，却能提供最优质的整体轨迹预测效果。

---

#### G. 提示词示例

在本节中，我们详细介绍了用于构建EgoMAN基准测试的基于大语言模型的提示词流水线。该流水线包含四个阶段：(i) 提取具有时间结构的细粒度手-物体交互片段；(ii) 过滤无效或无关的交互，并规范化意图目标；(iii) 生成多样化的问答对以用于推理预训练；(iv) 过滤轨迹短语，仅保留视觉上可辨识且含义明确的交互样本。相应的提示词如图7至图10所示。

#### G.1. EgoMAN交互标注

我们首先从连续的自我中心视频中提取时间上定位明确的原子级手-物体交互。给定参考叙述和时间戳后，系统会提示大语言模型将一次交互分解为结构化的接近阶段与操作阶段，每个阶段都会标注起始/结束时间、粗略的轨迹属性（起始/结束位置及形状），以及自然语言描述的原子性细节与推理内容。输出结果会被序列化为JSON格式，作为后续阶段所使用的核心交互表示（见图7）。

### G.2. 有效交互标注过滤

并非所有提取出的片段都对应干净且可用的手-物体交互。因此我们需要进行第二次大语言模型处理，以过滤掉无效或噪声较多的标注。给定候选的原子描述与参考标注后，模型会判断该交互是否(i)与原始序列相关，以及(ii)是否是由主要主体执行的真手-物体交互，而非背景运动或非操作性活动。模型还会将高层次意图目标总结为简短短语，我们随后会将其用作规范的意图标签和条件化标记（见图8）。

#### G.3. EgoMAN问答生成

针对每一组有效交互，我们会生成一组多样化且具备意图感知能力的问答对，用于训练推理模块。图9中的提示词会指导大语言模型生成8到12组简短的问答对，涵盖下一次交互的各个互补方面：意图目标、使用的手部、即将发生的动作与物体、空间轨迹、时间起始与完成时刻、原子运动描述，以及因果推理（“为何”会发生该动作）。提示词要求所有答案必须严格基于所提供的交互数据，同时意图目标会以多种短语形式呈现，以促进更稳健的语义对齐。

#### G.4. 轨迹过滤

我们采用图像条件过滤步骤，以确保用于轨迹预测的交互短语具备视觉上的可辨识性与明确性。如图10所示，系统会要求大语言模型验证：(i) 所描述的交互在物理上是否合理；(ii) 目标物体是否在自我中心视角下清晰可见；(iii) 图像质量是否足够；以及(iv) 该短语是否指代单一且明确的物体。模型会输出二元有效性标记，若被拒绝则会给出简短的失败原因。这一步骤能剔除低质量或含义模糊的样本，从而提升EgoMAN-Bench轨迹监督的可靠性。

### H. 局限性与未来工作

虽然EgoMAN在基于意图的6自由度轨迹预测方面表现强劲，但仍存在若干局限性。首先，我们的模型主要聚焦于手腕级别的6自由度运动，且仅考虑了粗略的交互阶段（<START>、<CONTACT>、<END>）。诸如接触前的调整、操作过程中的细微修正，或是多步骤的物体重新定位等更精细的子阶段并未被明确建模，这限制了系统捕捉高分辨率灵巧行为的能力。其次，尽管我们的数据集规模庞大且种类多样，但它不可避免地包含传感器噪声、不完美的标注，且缺乏人工验证环节；更高质量的3D轨迹和更精准的监督信息将进一步促进模型学习。

未来的工作包括将表征范围从手腕轨迹扩展至完整的手部姿态与关节活动，从而实现对物体操作和抓取动态的更细致推理。引入多阶段交互解析以及更丰富的接触语义将进一步优化时间定位能力。通过更高精度的3D标注或经过人工验证的演示数据来提升数据集质量，有望显著增强对精细操作学习的监督效果。最后，将基于EgoMAN衍生的策略部署到真实机器人系统中，将是评估基于意图的6自由度预测如何转化为具身操作性能的一个令人期待的方向。

---

{
    "intent": "<action_goal>".
    "interactions": [
        {
            "approach": {
                "start_time": <float>,
                "end_time": <float>,
                "trajectory": {
                "start_point": "<location>".
                    "end_point": "<location>".
                    "shape": "<linear|curved|arc>"
            }
        },
        "manipulation": {
            "start_time": <float>,
            "end_time": <float>,
            "verb": "<action>".
            "object": "<object with short appearance description not mention hand>".
            "hand": "<left|right|both>".
            "trajectory": {
                "start_point": "<location>".
                    "end_point": "<location>".
                    "shape": "<linear|curved|arc>"
            }
        },
        "atomic_description": "<interaction description>".
        "reasoning": "<why the action serves the goal and the trajectory pattern>".
    }
}

当手部移动以抵达操作位置时，即进入接近阶段；在触碰物体之前不会发生接触。

• 如果手部已在操作位置处发生接触，则可跳过接近阶段，直接开始操作。

• 每个阶段的轨迹必须包含三个关键要素：起始点、终止点以及形状（单词语义的运动模式）。

• 简短推理：需说明（1）该动作为何服务于整体意图，以及（2）为何轨迹会遵循此种模式。

- 使用从视频帧中提取的精确时间戳。

<div style="text-align: center;">Figure 7. Prompt used to generate fine-grained hand–object interaction annotationss.</div>

---

![Image](images/417221c3ac1d14e19db21af8a8f02c3e25260aba51c3f6783111bda1adcd0e64.jpg)

<div style="text-align: center;">Figure 8. Prompt used to judge interaction validity and summarize the intention goal.</div>

---

![Image](images/e986c05b8a583b8d7a07e94a47742b8852191eaac880c6482e868ab5410e6ab4.jpg)

<div style="text-align: center;">Figure 9. Prompt used to generate diverse QA pairs for the future hand-object interaction.</div>

---

![Image](images/ca49beb46ed3797fbbf913d6dac7789c0c9b7e296a154fd0414d9e9502533660.jpg)

<div style="text-align: center;">Figure 10. Prompt used to filter out high-quality interaction trajectory samples.</div>
