時令 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

只靠說話和AI眼鏡互動，確實(shí)有點(diǎn)不方便。

現(xiàn)在新玩法來了！數(shù)字替身幫你“隔空抓物”，混合現(xiàn)實(shí)即時選擇現(xiàn)實(shí)世界的物體作為上下文。

書籍檢索，輕松get～

建筑導(dǎo)航？手拿把掐。

多無人機(jī)協(xié)作？也是毫不遜色。

該技術(shù)被稱為Reality Proxy——一種直接操控界面，讓你可以瞬間選中現(xiàn)實(shí)世界中的物體。

研究者Xiaoan Liu甚至表示，這使我們離賈維斯又進(jìn)了一步。

Reality Proxy打破物理?xiàng)l件限制

混合現(xiàn)實(shí)（XR）正在重塑人機(jī)交互的邊界。通過頭戴設(shè)備，它有望將物理世界與數(shù)字世界融合，讓用戶能同時操控現(xiàn)實(shí)與虛擬中的對象。

然而，傳統(tǒng)的XR設(shè)備通常通過光線投射來選擇物體，但由于目標(biāo)在視野中尺寸較小、視線不穩(wěn)定以及手部顫抖等原因，這一過程往往容易出錯。

因此，研究團(tuán)隊提出Reality Proxy（現(xiàn)實(shí)代理）——現(xiàn)實(shí)物體的抽象數(shù)字表示。

他們將交互目標(biāo)從物體無縫轉(zhuǎn)移到其代理上，選擇代理等同于選擇實(shí)際物體，便于用戶擺脫距離或大小等限制，實(shí)現(xiàn)輕松選擇物體。

如上所示，Reality Proxy流程包括三個主要步驟：

激活代理：捕獲層級和語義場景結(jié)構(gòu)

當(dāng)用戶捏合確認(rèn)選擇時，它會自動檢測用戶視線范圍內(nèi)的真實(shí)世界物體，并將其抽象為手部的交互代理。

如果用戶成功選中目標(biāo)物體（用戶視線默認(rèn)瞄準(zhǔn)的物體），他們可以繼續(xù)執(zhí)行預(yù)期操作；否則，他們可以使用手邊的代理優(yōu)化選擇。

生成代理：保留空間關(guān)系

在這一步驟中，系統(tǒng)可以將上一步驟中場景的層級、語義表示轉(zhuǎn)換為代理 —— 用戶可操作的對象。

默認(rèn)情況下，系統(tǒng)僅為用戶擴(kuò)展視線范圍內(nèi)的1級物體生成代理。這些代理保留彼此的相對空間關(guān)系。

每個代理可通過長按和雙手縮放等標(biāo)準(zhǔn)手勢操作，即使在用戶釋放捏合后也保持在原位。

由于代理僅作為交互的抽象表示，所以其物理大小并不關(guān)鍵。因此，在實(shí)現(xiàn)過程中，每個代理表示為固定大小的矩形3D對象。

與代理交互：保持對現(xiàn)實(shí)世界的關(guān)注

為使用戶能主要關(guān)注現(xiàn)實(shí)物體， Reality Proxy在與代理交互時，將關(guān)鍵視覺反饋直接顯示在物理物體上。

例如，當(dāng)一個物體被選中時，它會以亮色高亮顯示，相應(yīng)的代理也會高亮，提供雙重反饋。

為確保代理易于訪問且無需持續(xù)視覺關(guān)注，研究應(yīng)用 “延遲跟隨”機(jī)制，將代理放在用戶手部附近。

當(dāng)手保持在特定閾值內(nèi)時，代理保持靜止；如果手移動超出該范圍，代理會平滑跟隨 —— 使其保持在可達(dá)范圍內(nèi)，而不會對輕微的手部抖動做出反應(yīng)。

這種設(shè)計減少了用戶低頭查找代理的需求，并實(shí)現(xiàn)在關(guān)注現(xiàn)實(shí)世界與快速查看代理信息之間的平滑切換。

此外，Reality Proxy還支持多種交互功能，使用戶與現(xiàn)實(shí)物體的互動更加靈活。

1、瀏覽預(yù)覽物體：用戶手指在多個代理上滑動，就能快速瀏覽物體的信息，比如快速查看多本書的內(nèi)容。

2、多對象刷選：用雙手捏合的手勢劃定一個區(qū)域，就能選中多個代理對應(yīng)的現(xiàn)實(shí)物體。

3、按屬性過濾物體：長按一個物體的代理，調(diào)出屬性面板，滑動手指到某個屬性的代理上，就能選中所有有相同屬性的物體，比如篩選出所有紅色的杯子。

4、借助物理特征的交互：代理可結(jié)合真實(shí)世界的物理功能促進(jìn)直觀交互。

例如，放在物理表面（如桌子）上的代理可以將這些表面轉(zhuǎn)換為自然的觸摸板。

用戶可以使用熟悉的觸摸設(shè)備手勢與真實(shí)世界物體交互，如在表面上拖動手指選擇多個物體、分開手指擴(kuò)大選擇范圍，或回溯路徑調(diào)整選擇等。

5、語義分組：雙擊一個代理，就能把有相同屬性的物體歸為一組。

6、空間縮放分組：用雙手縮放的手勢，在層級結(jié)構(gòu)中導(dǎo)航，比如從查看整棟樓縮小到查看某一層的房間。

7、自定義分組：在空處用刷選的手勢畫一個立方體容器，把選中的代理放進(jìn)里面，就能創(chuàng)建自定義分組，方便進(jìn)行整體操作，比如計算一組書的總價。

除此之外，研究者還通過幾個場景展示了此技術(shù)的實(shí)用性。

日常信息檢索

在辦公室里，老師可以用它快速找到特定的書，計算書的總價。

在廚房里也能實(shí)現(xiàn)與不同粒度級別的物體交互，比如選中微波爐的不同部件。

建筑導(dǎo)航

Reality Proxy讓在大型建筑中高效導(dǎo)航和交互成為可能。

無人機(jī)控制

Reality Proxy還允許控制動態(tài)真實(shí)世界物體。

為展示這一點(diǎn)，研究者開發(fā)了一個基于混合現(xiàn)實(shí)的無人機(jī)控制應(yīng)用，該應(yīng)用用無人機(jī)中嵌入的跟蹤器代替AI場景理解組件。

此研究招募了12名經(jīng)驗(yàn)豐富的XR開發(fā)者和研究人員（7名男性，5名女性，年齡在18歲到38歲之間）。

由于兩名參與者參與了完善研究方案的預(yù)試驗(yàn)環(huán)節(jié)，因此被排除在以下報告的評分中。

評估結(jié)果顯示，這個系統(tǒng)在實(shí)用性、易學(xué)性和易用性方面評價普遍積極。

參與者認(rèn)為Reality Proxy在實(shí)用性上表現(xiàn)突出，能有效解決與遙遠(yuǎn)、密集或難觸及物體的交互問題。

相比傳統(tǒng)方式更快捷，可減少身體疲勞、擴(kuò)展交互能力（如批量選擇、按屬性篩選），對行動不便或視線不穩(wěn)定用戶也更友好。

不過參與者也指出了一些問題，比如新手可能需要一定的學(xué)習(xí)時間，代理的定位精度還有待提高等。

團(tuán)隊介紹

Xiaoan Liu，本科畢業(yè)于江南大學(xué)，碩士畢業(yè)于紐約大學(xué)。

他于2019年3月創(chuàng)立了Fusion Reality。2023在清華大學(xué)擔(dān)任研究助理。2024年11月至2025年5月期間在谷歌工作。

他最近的一項(xiàng)比較有意思的研究還包括RealiTips（稿件準(zhǔn)備中）——一款可以指導(dǎo)你一步步煮咖啡的助手。

值得一提的是，他本科時期就設(shè)計出很多XR設(shè)備和游戲。

Mar Gonzalez-Franco，2014年，她在英國創(chuàng)建了沉浸式技術(shù)實(shí)驗(yàn)室，研究航空背景下的AR、VR和混合現(xiàn)實(shí)。

2015年，她以高級研究科學(xué)家的身份加入初創(chuàng)公司Traity，該公司完成了470萬美元的A輪融資，擁有超過450萬用戶，是硅谷500 Startups和Seedcamp（全球知名的風(fēng)險投資基金和創(chuàng)業(yè)加速器）的校友企業(yè)。2016年，她還曾擔(dān)任微軟EPIC團(tuán)隊的首席研究員。

Xianhao Carton Liu，本科就讀于浙江大學(xué)竺可楨學(xué)院，曾獲圖靈班的人工智能榮譽(yù)學(xué)士。博士就讀于明尼蘇達(dá)大學(xué)計算機(jī)科學(xué)專業(yè)，研究方向?yàn)槿藱C(jī)交互。曾在斯坦福大學(xué)和哈佛大學(xué)任研究實(shí)習(xí)生。

Chen Zhu-Tian，本科畢業(yè)于華南理工大學(xué)，博士畢業(yè)于香港科技大學(xué)，現(xiàn)任明尼蘇達(dá)大學(xué)雙城分校CSE系（計算機(jī)科學(xué)與工程系）助理教授。

參考鏈接：
[1]https://x.com/_seanliu/status/1952770318034190420
[2]https://arxiv.org/abs/2507.17248