学习演化场景：利用场景图推理人类活动

理解具身 AI 中人与环境的交互至关重要。针对现有方法忽视场景动态结构化推理的问题，本文提出 SG-Ego 数据集及 GLEN 模型。GLEN 基于时空场景图序列，通过对齐文本动作并建模时间演化，实现显式的场景状态推理。此外，文章定义了活动驱动的图编辑预测任务，将场景动态视为由动作触发的结构化变换序列。实验表明，该方法在检索及长程推理基准上表现优异，提供了可解释的视频理解新范式。