本项目面向 AR 眼镜交互场景，使用 IMU、手势视觉、音频、ASR 文本和场景视觉五类模态识别用户交互意图。任务不是单纯预测 6 类意图，而是同时预测场景和意图，即完成 2 类场景与 6 类意图组合而成的 12 类联合分类。 当前复现实验显示，改进模型将测试集 ...