摘要
本发明涉及人工智能技术领域，可应用于具身智能、金融科技及医疗健康等业务场景中，公开了一种动作指令生成与优化方法、装置、设备及介质，包括：采集环境视觉信息、环境音频信息及动作状态信息，处理环境视觉信息和环境音频信息，分别得到视觉特征和音频特征，采用多模态注意力机制对视觉特征、音频特征及动作状态信息进行动态加权融合，生成综合决策特征，将综合决策特征输入决策网络，生成动作指令，执行动作指令并收集环境反馈信息，基于环境反馈信息优化决策网络，生成更新后的决策网络。本发明通过多模态信息的动态融合与统一决策，提升了具身智能系统在复杂环境下的感知、决策与动作协同水平。
