機器人出租車正成為城市交通的關鍵組成部分。然而，目前大多數機器人出租車依賴于預設的接客點，這導致機器人出租車活動集中，加劇了局部交通擁堵，增加了空駛距離和繞行距離，延長了道路占用時間，并提高了運營成本。基于GNSS的定位技術在城市區域可能不可靠。通常，人類駕駛員可以通過文本/語音交互與乘客溝通，以準確找到并到達乘客的位置。如何將機器人出租車的視覺識別結果與人類的文本/語音描述對齊是一個關鍵挑戰。因此，我們提出了一個全面的框架，包括其架構、需求、操作邏輯和工作流程，以增強乘客與機器人出租車之間的互動，從而實現無需預設接客點的準確接客。在該框架中，核心算法是VLMIdentification，這是一種基于LVLM的實時人類識別模型。VLMIdentification包含三個模塊：i) 人類輸入處理，從乘客的文本/語音中提取文本特征，并將以人類為中心的描述轉換為以機器人出租車為中心的屬性；ii) 候選者搜索，將傳統檢測器與LVLM結合使用，以適應場景復雜性并將檢測結果轉換為文本描述符；iii) 人類識別，將處理后的乘客描述與候選者進行匹配，以找到正確的人。我們定義了多模態任務的人類識別方法，提出了評估指標，并基于現有的自動駕駛數據集構建了一個新的HID（帶描述的人類識別）數據集。實驗結果表明，VLMIdentification在綜合指標上優于基線方法，并且在惡劣環境和跨場景泛化測試中保持了穩健的性能，從而證實了其泛化和魯棒性。代碼可在以下鏈接獲取：https://github.com/fanwu66/V...