本文探讨了一种基于Transformer的模型，旨在提高人机交互中人物与物体的互动检测与预测能力。研究表明，机器人的预测能力对人机协作至关重要。通过手部姿态估计和自适应控制等方法，提升了人机物理交互的效果，并在多个数据集上取得了先进的结果。