- 解决混合现实(Mixed Reality, MR)中**远距离物体选择**这一基本任务中的准确性问题
- 现有方法依赖单一线索(cue)或确定性地融合多个线索，当主导线索不可靠时性能下降
- 研究背景：用户生成的多模态线索（如指向、手势）在混合现实中存在歧义，需要灵活的概率融合机制
- 提出**概率线索融合(probabilistic cue integration)框架**，通过贝叶斯推理融合多个用户生成的线索进行意图推断
- 实例化为**Point&Grasp**交互技术，融合指向方向(pointing direction)和抓取手势(grasp gestures)作为两个线索
- 采集**远距离抓取(Out-of-Reach Grasping, ORG)数据集**，训练手势线索的鲁棒似然模型，捕捉远距离抓取模式
- 通过用户研究评估，比较单一线索基线和最新方法在不同歧义场景下的表现
- **首创概率建模**：首次在混合现实远距离物体选择中引入概率线索融合框架，而非确定性融合
- **灵感来源于自然抓握行为**：将指向和抓取手势作为自然交互组合，模拟人类远距离选择行为
- **专用数据集**：构建ORG数据集填补现有近距抓取数据集的空白，涵盖远距离抓取模式
- **鲁棒性强**：通过概率融合在多种歧义场景（如指向模糊、手势变化）下保持有效性
- 为混合现实远距离交互提供了一种**灵活的概率线索融合范式**，提升了意图推断的准确性和速度
- 提出**Point&Grasp**新型交互技术，在用户研究中优于单一线索基线和最新方法
- 公开了ORG数据集和代码，促进社区复现并推动混合现实物体选择研究