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]) 来处理多视角的 RGB-D 图像, 并将提取的 2D 特征通过特征金字塔 网络 (Feature pyramid network, FPN)[105] 提取多 尺度视觉词, 语言指令则使用预训练的语言编码器 来处理. AdaptiGraph[93] 通过集成物理属性条件的