EgoP²C：将“规划-感知-组合”机制内化于第一人称视频空间推理

英文标题：EgoP$^{2}$C: Internalizing Plan-Perceive-Compose for Spatial Reasoning in Egocentric Video

本研究提出了针对第一人称视频空间推理任务的创新方法 EgoP²C。在第一人称（Egocentric）视频中解决复杂空间推理问题，需要系统性地确定所需证据、获取针对性的视觉线索并通过多步推理进行整合。现有视觉语言模型（VLM）在面对此类多阶段长链条空间推理时往往表现不佳。该研究通过内化“规划-感知-组合”（Plan-Perceive-Compose）流程，为具身智能与第一人称视频理解提供了更稳健的推理架构与范式。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB