目标定位方法、系统、机器人和介质

本发明提供一种目标定位方法、系统、机器人和介质。方法包括：获取发送者的场景图像和自然语言指令；其中，场景图像为单目RGB图像，包含发送者及其指示的目标物体，自然语言指令为发送者发出的描述目标物体的语义信息；对场景图像进行深度估计，生成场景图像中场景的空间特征图；从场景图像中提取发送者掩码、姿态特征图和手势特征图，并基于发送者掩码确定发送者的中心位置；将空间特征图转换为以中心位置为原点的重定位空间特征图；将发送者掩码、姿态特征图、手势特征图、重定位空间特征图以及自然语言指令输入至多模态目标检测模型，生成目标物体在场景中的位置。本发明提升了机器人在进行交互任务时，对目标物体的定位精度。