AgentHands：把 XR 对话手势收成 LLM 可解析的 GestureEvent
Google Research 的 AgentHands 用 GestureEvent 把共语手势接进 XR 对话；脚本化任务里空间定位与参与感显著提升，数字、情绪与 SUS 未达显著。
Google Research 在 2026 年 8 月 25 日发布技术博客，介绍 CHI 2026 论文 AgentHands：一套让 XR 对话 Agent 用双手做同步手势的原型。它把共语手势（co-speech gestures）收成 LLM 可写、运行时可解析的
GestureEvent，再按词级时间轴驱动动画。12博客由 Xun Qian 与 Ruofei Du 署名；论文作者为 Ziyi Liu、David Li、Zhongyi Zhou、David Kim、Ruofei Du、Xun Qian，会议为 CHI ’26（Barcelona），DOI
10.1145/3772318.3790938。12空间对话的映射负担
用户问「这台 3D 打印机怎么用」时，纯语音 Agent 可以背出一长串步骤，但「背面的电源键」「控制旋钮往右转」仍要用户自己在物理空间里找对应物。论文把这种从抽象语言到具体位置与动作的翻译成本，称为 mental mapping gap。2
形成性研究（N=10）把纯文本/语音容易失效的场合收成五类：空间消歧、动作示范、概念具象、精度量度、社会与警示线索。专家反馈同时要求三件事：手势与关键词的时间同步、按话语类型选择锚定空间、手势意图服务于 grounding 与任务推进。1
2D 屏幕上的检测框可以标出物体；动作示范、说到「烫」时的身体级警示，仍要另找通道。XR 提供深度与场景网格后，问题收成：开放式 LLM 回复怎样稳定变成可渲染的空间动作。
六维 taxonomy 与双手具身
团队把形成性结果收成六维 taxonomy：Handedness、Gesture、Spatiality、Temporal Dynamics、Interactivity、Visual Effects。Spatiality 覆盖半空、物体锚定、物体局部、用户相对等参考系；Temporal Dynamics 区分静态姿态与倾倒、旋转等过程动画；Visual Effects 用灼烧光晕一类图层提高警示显著性。1
具身形态压到 半透明蓝色双手 + 小光球。论文给出的理由是：任务导向场景里，全身角色容易遮挡工作区、引入 uncanny valley，并把效果归因搅进面部与身姿；极简双手保留「有人在带我」的伙伴感，同时让手可以瞬移到喷嘴旁、钻进桌面缝隙，不必遵守走路时间与碰撞。1
手势库按语义分成三类，方便 LLM 选型：deictic（指物、指方向）、iconic（比划形状、尺寸、动作）、expression（赞许、否定、警示等社会线索）。1
从物体注册到 GestureEvent
流水线分会话前与会话中两段。
会话前，用户用注视与场景重建给可交互物体打标签。系统为每个物体保存语义标签与 3D 包围盒，形成 object registry。论文承认这是在设备侧全量 3D 追踪成本与精度限制下的轻量方案，后续局限章节也把它标为静态场景假设。1
会话中，后端 LLM 收到用户语音转写、第一人称画面与注视交点、当前 registry，按 meta-instruction 生成「带内嵌手势事件的回复」。每个事件绑定触发词，并带上 taxonomy 参数，格式形如：
[PointObject; spatiality:wateringcan_F_middle_center]this
[Action; gesture:hold, spatiality:orchid_R_bottom_center, dynamics:pitchRotation]pour论文把这种结构化片段称为 GestureEvent。默认属性可省略以省 token；若手势对应短语而非单字，模型被要求绑在语义结合最紧的词上，以服务时间同步。1
头戴端解析器抽出事件后，用 TTS 音频的平滑 RMS 能量轮廓微调词边界，得到词级起止时间；手势在触发词被读出时落地。每只手是有限状态机，状态拆成 transform、gesture、vfx 三路；双手事件同时驱动两只手，空闲超时回到 idle。击掌、握手等交互手势用碰撞检测异步完成，超时则回退。1
实现栈写得很具体：Unity 6000.1.5f1，Android SpeechRecognizer，回复模型 gemini-2.5-flash-exp，TTS gemini-2.5-flash-preview-tts，用户研究部署在 Samsung Galaxy XR。1
机制上可以读成三层契约：
- 场景契约：registry 告诉模型「哪些物体可指、坐标在哪」。
- 语言契约：GestureEvent 把「指什么、怎么动、何时动」写成可解析字段。
- 时间契约：词级时间轴把字段绑定到 TTS 播放位置，让「this」落下时手已经到位。
对做 Agent 产品的人，可迁移的往往是第 2、3 层接口，而不是双手 mesh 本身。
用户研究证明了什么
研究采用 within-subjects 设计（N=12），对照为 speech-only 基线；两条件使用研究者脚本化的相同口头内容，只差有没有同步双手与手势，顺序做了平衡。任务是兰花护理与 3D 打印机操作，各约 10 步。1
在 7 点 Likert 上（Wilcoxon 符号秩检验，正态性未满足时使用），AgentHands 相对基线显著更好的项如下。1
| 题项 | AgentHands 均值 | 显著性 |
|---|---|---|
| 更容易定位被指物体（Q1） | 6.50 | p < 0.05 |
| 更容易识别方向（Q2） | 6.33 | p < 0.05 |
| 更容易定位物体部件/局部（Q3） | 6.00 | p < 0.05 |
| 更容易跟上所需动作（Q4） | 6.33 | p < 0.05 |
| 更容易注意到警告（Q5） | 6.25 | p < 0.05 |
| 对话更有参与感（Q8） | 6.08 | p < 0.05 |
| 回复更难理解（Q9，反向） | 1.83 | p < 0.05 |
| 回复更难记住（Q10，反向） | 2.17 | p < 0.01 |
定性材料与数字同向。有人说直到看到「抬起」手势，才意识到要把兰花端起来沥水；有人把喷嘴烫伤的灼烧特效称为「really impressive」。也有人描述「手就像句子的一部分」，不必停下来想系统在干什么。1
以下几项在两组之间未达显著：
- 数字信息（Q6，M = 5.42，p > 0.05）：参与者觉得语音里的数字本来就够记，或数字手势停留太短。
- 情绪表达（Q7，M = 5.25，p > 0.05）：共享 TTS 的语气已经承担大部分情绪；击掌让人想继续，却未必抬高情绪量表。
- SUS：AgentHands 平均 80.6，基线 70.4，配对 t = 1.69，p = 0.118。论文据此写的是：清晰度与参与感上升的同时，可用性分数至少保持同级；整体 SUS 优势本身未达显著。1
脚本化口头内容保证了条件可比，也框住了结论外延：研究检验的是「同样一句话，加上同步空间手势是否更好懂」。开放对话里 LLM 自主选型 GestureEvent 的稳定性，仍在本次对照之外。附录写明兰花任务脚本含 37 个 GestureEvent、打印机任务 29 个，评测路径上的手势编排是受控的。
局限与后续可关注点
论文 Limitation 章节列得很清楚，和博客的未来方向一致：
- 场景理解依赖预注册，适合相对静态环境；连续 3D 感知、细粒度部件（如电路装配）仍待接。
- 手势库是 taxonomy 指导下的有限实例集；下一步才是让模型按 schema 现场合成新 GestureEvent，并靠本地校验回退。
- 系统仍是独立 Agent，尚未深入 XR 操作系统与应用级 API（指到文档句子、按 UI 控件、跨应用传意图）。
- 证据来自 N=12 单次实验室 within-subjects 研究，统计外推与长期使用效应都不足。1
讨论部分还提出几条产品向问题：双手能否同时做输出通道与输入面（抓住手暂停、击掌确认）；具身细节是否应按任务在「抽象双手 / 更完整形象」之间切换；空间记忆与用户惯用手、舒适触及区能否写成可演进的 profile。这些仍停留在研究议程。1
怎么判断这篇材料的价值
AgentHands 把「具身对话」收成一条可实现的接口链：物体 registry → 内嵌 GestureEvent 的 LLM 输出 → 词级 TTS 对齐 → 双手状态机。在脚本化的兰花护理与 3D 打印机任务里，这条链相对纯语音改善了定位、动作跟随、警告显著性与参与感；数字信息、情绪表达与 SUS 的组间差异未达显著。
做 XR / 现场指导 Agent 时，可直接对照 GestureEvent 字段设计、默认属性省 token 的策略，以及评测里「控制口头内容、只改具身通道」的对照方式。材料主体是交互系统与用户研究；模型侧用的是既有 Gemini 2.5 Flash 与对应 TTS。完整论文与 PDF 见 Google Research 论文页。
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.