單模型重建世界坐標系下手部三維運動

第一視角難題

人類每天都在完成豐富的手部操作，以頭戴相機記錄這些過程，本可為具身智能提供大量示範素材。但要從影片中提取三維動作，必須先搞清楚手在空間中的位置、手指如何彎曲，以及沿甚麼軌跡移動。

難點在於鏡頭本身也在運動：畫面裏的手向右移動，可能只是佩戴者轉了一下頭；加上物體遮擋與雙手交互，關鍵的手指細節常常在視野中消失。傳統方法因此難以區分手的真實動作與視角變化。