定位特征、预训练的视觉−语言特征和音频−语言特 征与 3D 重建相结合, 将多模态大模型的开放词汇 查询能力融合进环境的 3D 体素网格中, 使得机器 人系统能够基于多模态查询 (如文本描述、图像或 地标的音频片段) 在地图中索引目标. Act3D[92] 则提出了一种基于 Transformer 的 3D 特征场模型, 使用大规模预训练的 2D 特征提取 器 (如 CLIP[17] 或 ResNet50[104])