SGR3 模型：3D 场景图检索 - 推理模型

3D 场景图为机器人提供了结构化的物体实体及关系表示，支持高层解释与推理。现有方法通常结合场景重建与图神经网络，但依赖多模态数据且受限于启发式构建。本文提出 SGR3 模型，一种无需训练的框架，利用多模态大语言模型结合检索增强生成技术生成语义场景图。该模型绕过显式 3D 重建，通过 ColPali 风格跨模态框架检索语义对齐的场景图以增强关系推理，并引入加权补丁级相似性选择机制提升鲁棒性。实验表明其性能媲美基于 GNN 的专家模型。