法国蔚蓝海岸大学和普瓦提埃大学团队利用CREATTIVE3DVR数据集，提出了一种名为DiVR的多模态Transformer模型，用于动态场景中的人类轨迹预测。该模型整合了静态环境、动态交互和用户注视数据，通过异构图卷积网络和跨模态注意力机制提升预测精度。实验表明，DiVR在复杂任务（如过马路、模拟视觉障碍）中显著优于现有方法，并展现了在元宇宙和智能交通中的潜在应用价值，但依赖高质量数据集仍是当前限制。