随着增强现实（AR）和虚拟现实（VR）技术的发展，对自我中心（第一人称视角）运动的精确跟踪和理解变得越来越重要。传统的单一模态方法在处理复杂场景时存在诸多局限性。为了解决这些问题，研究者们提出了一种基于多模态输入的自我中心运动跟踪与理解框架——EgoLM。本文将详细介绍这一创新方案及其潜在应用。

1. 概述

EgoLM框架旨在从多模态输入（如自我中心视频和运动传感器数据）中跟踪和理解自我中心运动。通过利用丰富的上下文信息，该框架能够有效消除单一模态条件下自我运动跟踪和理解的不确定性。

2. 核心技术

2.1 联合分布建模

• 使用大型语言模型（LLM）：EgoLM框架利用大型语言模型来建模自我中心运动和自然语言的联合分布。这种联合建模方式有助于更好地理解和解释复杂的运动行为。

2.2 多模态输入处理

• 编码与投影：将来自不同传感器的多模态输入（例如视频流和运动传感器数据）进行编码，并将其投影到一个由语言模型定义的联合潜在空间中。这一步骤使得多种类型的数据可以在同一空间内进行有