本文提出了一种基于预训练视觉-语言模型的图像-文本检索方法，旨在满足机器人在日常生活支持和安全任务中对环境和物体状态的识别需求。通过优化权重，该方法提高了状态识别的精确度，并扩展了可识别的状态类型，如透明门的开关状态和水龙头的水流状态。