本文介绍了一种新型三维检测技术，结合单目摄像头与LiDAR数据，通过点云几何结构改进视觉-语言模型，提升了分类和分割任务的准确率。研究表明，该方法在KITTI和JackRabbot数据集上表现优异，并提出了多模态视觉定位任务，显著增强了3D场景理解能力。