无论视频帧还是激光雷达帧，都带有时间戳的，按照时间戳去视频里抽帧，编码后嵌入大模型，有什么费劲的。
你说的费劲还停留在上古的后融合方案里面，现在端到端都前融合了，天然解决了多模态对齐的问题。
【 在 djkstra 的大作中提到: 】
: 即使不说信息质量，你也没考虑融合问题，激光雷达要和视频图像去对准，这个也很费劲
:
--
FROM 98.158.95.*