用于零样本 3D 理解的代理协作认知

针对现有基于视频关键帧的多模态大模型在 3D 理解中受限于观察视角和隐式感知的问题，本文提出一种协作多智能体框架。该框架包含规划智能体与感知智能体：前者负责高层视点规划以补充缺失的关键视角；后者将多视角观测整合为结构化全息认知地图，并提供反馈引导后续规划。通过闭环迭代，两智能体协同工作直至获取充分信息。实验表明，该方法在六个基准测试中均达到最先进水平。