En entornos de realidad mixta (RM), las búsquedas visuales se utilizan a menudo para misiones de búsqueda y localización. Existen algunos problemas con las tecnologías de búsqueda y localización, como un campo de visión limitado y la sobrecarga de información. No son capaces de satisfacer la necesidad de localizar rápida y precisamente objetos voladores específicos en un grupo de objetivos aéreos y espaciales bajo los requisitos situacionales modernos. Esto conduce a interacciones ineficientes a lo largo del proceso de la misión. La decisión y el juicio de un ser humano se verán afectados por interacciones ineficientes. Basado en este problema, llevamos a cabo un estudio de optimización multimodal sobre el uso de una búsqueda visual asistida por audición para la localización en un entorno de RM. En el sistema de coordenadas esféricas espaciales, la posición del objeto volador objetivo se determina de manera única por la altura h, la distancia r y el azimut. Por lo tanto, hay una necesidad urgente de estudiar las conexiones cruzadas entre los elementos auditivos y estas tres coordenadas basadas en una búsqueda visual. En este artículo, se diseñó un experimento para estudiar la correlación entre la percepción intuitiva auditiva y la visión, así como el mecanismo de inducción cognitiva. El experimento incluyó los tres mapeos cruzados de modalidad de tono-altura, volumen-distancia y alternancia del tracto vocal-dirección espacial. Las conclusiones de la investigación son las siguientes: (1) La cognición visual es inducida por tonos altos, medios y bajos para estar sesgada hacia las regiones espaciales altas, medias y bajas del espacio visual. (2) La cognición visual es inducida por volúmenes altos, medios y bajos para estar sesgada hacia las regiones espaciales cercanas, medias y lejanas del espacio visual. (3) Basado en la aplicación de HRTF, se espera que el esquema de alternancia del tracto vocal mejore significativamente la eficiencia de las interacciones visuales. La cognición visual es inducida por sonidos cortos a la izquierda, sonidos cortos a la derecha, sonidos cortos y largos a la izquierda, y sonidos cortos y largos a la derecha para estar sesgada hacia las direcciones izquierda, derecha, izquierda-rear y derecha-rear del espacio visual. (4) La carga cognitiva de las tecnologías de búsqueda y localización se reduce significativamente al incorporar factores auditivos. Además, la eficiencia y el efecto de la búsqueda y posicionamiento preciso de objetos voladores espaciales han mejorado considerablemente. Los hallazgos anteriores pueden aplicarse a la investigación sobre varios tipos de tecnologías de búsqueda y localización de objetivos en un entorno de RM y pueden proporcionar una base teórica para el estudio posterior de la percepción de información espacial y los mecanismos de inducción cognitiva en un entorno de RM con acoplamiento visual-auditivo.