本研究提出了HiFi-CS方法，旨在提升机器人在复杂环境中的对象视觉定位与抓取姿态估计。通过特征线性调制（FiLM）融合图像和文本嵌入，模型在15个桌面场景中实现了90.33%的视觉定位准确率，展示了其在机器人抓取任务中的潜力。