1.基于视觉语言动作多模态对齐策略的机器人抓取检测方法，其特征在于：包含如下步骤：S1、将自然语言指令输入预训练的大语言模型LLM进行解析，生成物体类别描述、任务描述和抓取描述三类描述，并将三类描述与自然语言指令一同输入预训练的BERT模型进行处理，得到高维的文本特征；

S2、输入物体的三维点云数据，通过预训练的PointNet++点云编码器提取几何和结构特征，生成点云嵌入Fp；

S3、将点云数据输入预训练的FGC‑GraspNet模块，生成一组候选抓取姿势gi；将候选抓取姿势gi展开为动作特征Xg，并通过多层感知机MLP提取抓取特征Fg；

S4、通过文本编码器模型对步骤S1得到的三类描述和自然语言指令进行通道注意力优化，得到语言文本特征Ftxt；

S5、根据抓取特征Fg，采用多层感知机构成的模态对齐模块对点云特征Fp和语言文本特征Ftxt进行维度对齐操作，得到多模态特征；

S6、根据交叉注意力机制，将动作特征Fg设置为查询Query，点云特征Fp设置为键Key，语言文本特征Ftxt设置为值Value，通过交叉注意力模块实现多模态特征的融合，得到融合特征Ffusion；

S7、将步骤S6得到的融合特征Ffusion输入策略模块，通过多层感知机MLP提取抓取特征的重要信息，并通过Sigmoid激活函数得到每个候选抓取动作的评估值S；

S8、根据步骤S7得到的每个候选抓取动作的评估值S，对所有候选抓取动作进行排序，输出排序后的动作列表，控制机器人执行最优抓取动作，若抓取失败则回退到次优动作。

2.根据权利要求1所述的基于视觉语言动作多模态对齐策略的机器人抓取检测方法，其特征在于：所述步骤S2中预训练的PointNet++点云编码器包括多尺度点云特征提取层MSG和特征融合层SA，生成点云嵌入的公式为Fp＝SA(MSG(Xp,dim＝0))，通过公式Fp＝Align(squeeze(Fp,dim＝1),dim＝1,num＝N)对点云嵌入Fp进行扩展。

3.根据权利要求2所述的基于视觉语言动作多模态对齐策略的机器人抓取检测方法，其特征在于：所述步骤S3的具体步骤如下：S31、将每个大小为4×4的[R,T]齐次矩阵的候选抓取姿势gi展开为一维特征Xg＝[x,y,z,q0,q1,q2,q3]；

tr

其中，x,y,z代表了平移关系，x,y,z＝T ；q0,q1,q2,q3代表了旋转矩阵的四元数；

S32、将展开后的抓取姿势特征Xg输入由多层感知机MLP组成的抓取Encoder，得到Fg，公式如下：Fg＝MLP(Xg,dim＝3)

式中，Xg为展开后的动作特征。

4.根据权利要求3所述的基于视觉语言动作多模态对齐策略的机器人抓取检测方法，其特征在于：所述步骤S4的具体步骤如下：S41、文本编码器模型对步骤S1得到的三类描述和自然语言指令进行编码，生成任务描述段落 对象类描述段落 抓取描述段落 和语言指令的词嵌入；

S42、采用通道注意力机制SE模块对文本特征进行加权处理，得到语言文本特征Ftxt，公式如下：Ftxt＝SE(stack(Ftd,Fod,Fgd,FI,dim＝1))其中，stack将Ftd，Fod，Fgd，FI拼接为多通道的统一特征表示；

S43、对融合后的语言特征Ftxt进行通道复制操作，公式如下：Ftxt＝Align(squeeze(Ftxt,dim＝1),dim＝1,num＝N)其中，N表示候选抓取姿势集gi中抓握姿势数量，squeeze将语言特征移除多余维度后再按通道进行复制。

5.根据权利要求4所述的基于视觉语言动作多模态对齐策略的机器人抓取检测方法，其特征在于：所述步骤S6中得到融合特征Ffusion的公式如下：Ffusion＝cross_attention(Q＝Fg,K＝Fp,V＝Ftxt)其中，动作特征Fg为查询Q，点云特征Fp为键K，语言文本特征Ftxt为值V。

6.根据权利要求5所述的基于视觉语言动作多模态对齐策略的机器人抓取检测方法，其特征在于：得到每个候选抓取动作的评估值S的公式如下：S＝Sigmoid(MLP(Ffusion),dim＝‑1)。

7.根据权利要求6所述的基于视觉语言动作多模态对齐策略的机器人抓取检测方法，其特征在于：所述步骤S2中的点云嵌入