技术博客

在2025年国际计算机视觉大会（ICCV 2025）上，由浙江大学、香港中文大学、上海交通大学与上海人工智能实验室联合研发的EgoAgent引发广泛关注。该智能体首次实现第一人称视角下的感知、行动与预测一体化，突破传统计算机视觉系统在动态环境理解中的局限。通过融合多模态感知与实时决策机制，EgoAgent能够在复杂场景中自主完成任务规划与行为预测，显著提升人机交互的自然性与准确性。此项研究为智能机器人、自动驾驶及增强现实等领域提供了全新的技术路径，代表了第一人称视觉智能的重要进展。

在ICCV 2025会议上，浙江大学与香港中文大学等机构联合提出了一种面向第一人称视角任务的新型智能体EgoAgent。该智能体通过创新架构JEAP（Joint Embedding-Action-Prediction），实现了感知、行动与预测的一体化处理。JEAP核心机制采用联合嵌入策略，将视觉输入、动作指令与未来状态预测深度融合，显著提升了智能体在复杂环境中的理解与响应能力。EgoAgent在多个第一视角基准任务中表现出优越性能，为智能体系统在动态场景下的应用提供了新思路。