基于迭代优化和多粒度感知的具身对话定位方法及装置

本发明属于计算机视觉技术与具身智能技术领域，公开了一种基于迭代优化和多粒度感知的具身对话定位方法及装置；其中，所述具身对话定位方法包括：获取包含多轮对话的文本以及对应的2D地图图像；基于获取的文本和2D地图图像，利用训练好的具身对话定位模型进行目标位置预测，获得目标位置预测坐标；其中，所述具身对话定位模型包括多尺度特征提取模块、跨模态特征融合模块、门控网络和掩码查询优化器。本发明公开的技术方案，有效提取了多粒度特征，实现了早期跨模态融合，且通过迭代优化逐步提升定位精度，能够显著提高具身对话定位的精确性和鲁棒性。