摘要
机器人正逐渐融入我们的生活，协助我们完成各种任务。为了确保人类与机器人之间的有效协作，它们必须理解我们的意图并预测我们的行为。本文提出了一种面向协作机器人的“人-物交互”（Human-Object Interaction, HOI）预测框架。我们设计了一种基于变压器（Transformer）的高效且稳健的模型，用于从视频中检测和预测人-物交互。这种增强的预测能力使机器人能够主动提供帮助，从而实现更加高效和直观的协作。在VidHOI数据集上，我们的模型在HOI检测和预测方面分别比现有最先进方法提高了1.76%和1.04%的平均精度均值（mAP），同时速度提升了15.4倍。通过在真实机器人上的实验结果，我们展示了该方法的有效性，证明了机器人预测人-物交互的能力对于改善人机交互至关重要。更多详细信息请参阅我们的项目网页：https://evm7.github.io/HOI4ABOT_page/