{"schema_version":"1.0","service":"Publicasta","type":"article","id":1317,"slug":"roam_vision_language_navigation_legged_robots","title":"ROAM pokazuje, jak modele wizyjno-językowe mogą kierować robotami kroczącymi bez sterowania ich nogami","excerpt":"System ROAM z ETH Zurich wykorzystuje model wizyjno-językowy do interpretowania terenu, znaków i zagrożeń, a następnie przekazuje te informacje konwencjonalnym modułom mapowania i lokomocji. Kluczowa pozostaje granica między oceną semantyczną a kontrolą fizyczną.","language":"pl","default_language":"en","canonical_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots?lang=pl","image":{"url":"https://publicasta.com/storage/projects/11/pages/1317/2026/11/1a512bc7-7acf-4256-8f71-85243052e330.webp","alt":"Czworonożny robot badawczy porusza się alpejskim szlakiem nad górskim jeziorem."},"publisher":{"id":11,"slug":"robots","name":"Roboty i systemy autonomiczne","url":"https://publicasta.com/robots"},"author":{"name":"Anton R"},"published_at":"2026-11-21T06:51:11+00:00","updated_at":"2026-11-21T06:51:11+00:00","content_markdown":"## Kluczowa decyzja projektowa ROAM: modele językowe oceniają scenę, a nie silniki\n\n ![Czworonożny robot badawczy porusza się alpejskim szlakiem nad górskim jeziorem.](https://publicasta.com/storage/projects/11/pages/1317/2026/11/1a512bc7-7acf-4256-8f71-85243052e330.webp)\n\n ROAM opiera się na podziale zadań. Model wizyjno-językowy interpretuje to, co widzi robot — teren, zagrożenia, obszary wyglądające na korzystniejsze do przemieszczania się oraz znaki — natomiast osobne komponenty nawigacji i lokomocji odpowiadają za przełożenie tej interpretacji na ruch. To rozróżnienie ma znaczenie, ponieważ rozpoznanie sceny i sterowanie maszyną kroczącą to dwa różne problemy. Model, który potrafi opisać szlak, wskazać ostrzeżenie albo porównać dwie nawierzchnie, nie staje się automatycznie niezawodnym źródłem komend dotyczących chodu.\n\n Dlatego system nie wymaga od modelu wizyjno-językowego generowania współrzędnych ani prędkości. Zamiast tego wykorzystuje jego oceny semantyczne jako informacje nawigacyjne. Model nazywa obiekty znajdujące się w polu widzenia i przypisuje im wartości ryzyka związane z nawigacją, a moduł segmentacji z otwartym słownikiem odnajduje te kategorie na obrazie z kamery — piksel po pikselu. Powstaje w ten sposób gęsta mapa ryzyka tworzona w czasie rzeczywistym: przestrzenna reprezentacja, w której każdemu widocznemu obszarowi przypisano preferencję przejścia lub unikania. [Strona projektu ROAM](https://roam-hiking.github.io/) opisuje tę podstawową logikę wprost: model mówi, co znajduje się w polu widzenia i jakie wiąże się z tym ryzyko, a robot przekłada tę ocenę na wybór miejsca, po którym będzie się poruszał.\n\n Taki interfejs pozwala przedstawiać rozróżnienia, które mogą umknąć przy czysto geometrycznym postrzeganiu świata. Nie chodzi wyłącznie o to, czy dany fragment podłoża wygląda na fizycznie możliwy do pokonania. Jezioro, ryzykowna nawierzchnia, zwierzę albo znak mogą zmienić preferowaną trasę, nawet jeśli sama geometria nie daje pełnego powodu, by wybrać jeden kierunek zamiast innego. W ROAM takie oceny semantyczne są przekształcane w wartości, które można łączyć z przestrzenną reprezentacją robota, zamiast pozostawiać je w postaci nieustrukturyzowanej odpowiedzi tekstowej.\n\n Mapa ryzyka warunkuje następnie dwie wstępnie wytrenowane polityki uczenia ze wzmocnieniem: jedną do lokalnej nawigacji, drugą do zwinnej lokomocji. To one obsługują szybkie i precyzyjne elementy całego procesu. [Artykuł](https://arxiv.org/abs/2611.25215) opisuje to jako połączenie wysokopoziomowego rozumowania wizyjno-językowego z niskopoziomową kontrolą fizyczną, natomiast [oficjalne repozytorium](https://github.com/leggedrobotics/roam) wyjaśnia, że obrazy semantyczne są przekazywane do mapy wysokości używanej przez polityki nawigacji i lokomocji robota. Model językowy dostarcza oceny otoczenia, a wyuczony stos sterowania wykorzystuje tę ocenę, zachowując odpowiedzialność za wybór trasy i sposób poruszania się.\n\n To rozdzielenie jest istotne, ponieważ surowe polecenie w rodzaju „idź tam” pozostawia problem fizyczny niedookreślony. Którą nawierzchnię należy preferować? Której przeszkody unikać? Czy widoczny znak zmienia trasę? Mapa ryzyka dostarcza modułom wykonawczym ustrukturyzowanej odpowiedzi na te pytania, bez wymagania od modelu językowego przewidywania każdego ustawienia stopy, ruchu ciała czy kontaktu z podłożem. Model ocenia widoczną scenę, a polityki zachowują odpowiedzialność za przygotowanie wykonalnego ruchu.\n\n Podejście to nie ogranicza też percepcji semantycznej do niewielkiej, z góry ustalonej listy kategorii. Ponieważ etap segmentacji korzysta z otwartego słownika, system może używać opisów opartych na języku do identyfikowania istotnych obszarów, zamiast polegać wyłącznie na klasach zdefiniowanych wcześniej. Materiały projektu pokazują, jak model przypisuje wartości przykładom takim jak żwirowa ścieżka, trawa i krowa, a następnie przekształca te etykiety w mapy dla poszczególnych pikseli. Sama etykieta nie jest jeszcze działaniem końcowym; staje się częścią przestrzennego sygnału kosztu, który może wykorzystać system nawigacji.\n\n Granica między obiema warstwami powinna jednak pozostać wyraźna. Mapa ryzyka jest oceną pośrednią, a nie gwarancją, że trasa będzie bezpieczna. Jeśli interpretacja semantyczna okaże się błędna, kontroler może otrzymać mylącą preferencję dotyczącą terenu albo nieprawidłowe ostrzeżenie o scenie. Z drugiej strony poprawna etykieta nie usuwa fizycznej niepewności związanej z chodzeniem po nierównym podłożu. Projekt ROAM jest użyteczny właśnie dlatego, że rozdziela te odpowiedzialności: rozumowanie semantyczne może wpływać na wybór kierunku przez robota kroczącego, nie zastępując systemów, które sprawiają, że każdy krok jest fizycznie możliwy.\n\n To sprawia, że ROAM jest w równym stopniu badaniem kompozycji systemu, co możliwości samego modelu. Jego główne pytanie brzmi: czy model wizyjno-językowy potrafi dostarczać wystarczająco użytecznych, przestrzennie ugruntowanych ocen, aby istniejące polityki nawigacji i lokomocji mogły je wykorzystywać? Właściwym przedmiotem oceny jest więc cały potok — od interpretacji obrazu, przez segmentację z otwartym słownikiem i szacowanie ryzyka, po wyuczony wybór trasy i chód — a nie odizolowana demonstracja modelu językowego. Obietnica systemu polega na połączeniu szerokiego rozumienia sceny ze stosem sterowania, który już wie, jak się poruszać; trudność polega na zapewnieniu, że to połączenie pozostanie niezawodne, gdy znaczenie sceny wpływa na wybór najbezpieczniejszej drogi.\n\n ## Co właściwie potwierdzają demonstracje terenowe\n\n Dowody terenowe dotyczące ROAM wykraczają poza starannie przygotowany, zamknięty tor przeszkód. Materiały projektu pokazują robota kroczącego działającego na alpejskich szlakach, w lesie, na trawie, drogach, w pomieszczeniach, w zadymieniu, przy torach kolejowych oraz w miejskich środowiskach zawierających znaki. Ta różnorodność ma znaczenie, ponieważ w każdym otoczeniu „bezpiecznie” oznacza coś innego. Trasa może być geometrycznie przejezdna, a mimo to niepożądana, jeśli prowadzi przez wysoką trawę, zbliża się do torów, wchodzi w zadymienie albo jest zamknięta przez znak informujący o robotach budowlanych. Demonstracje sprawdzają więc, czy semantyczne rozumienie sceny może wpływać na wybór trasy, podczas gdy robot nadal odpowiada za fizyczne pokonywanie terenu. ([strona projektu ROAM](https://roam-hiking.github.io/); [artykuł na arXiv](https://arxiv.org/abs/2611.25215))\n\n Na stronie projektu wyróżniono dwa dłuższe przejścia w terenie: demonstrację o długości 2,4 km w Seealpsee oraz demonstrację o długości 10,1 km w Zermatt. Takie odległości dostarczają dowodu na utrzymane wykonywanie trasy, a nie tylko na pojedynczy udany krok czy krótką reakcję wizualną. Trasa w Zermatt obejmowała żwir, skały, trawę, brzegi jezior i tory kolejowe; trasa w Seealpsee prowadziła pętlą wokół górskiego jeziora. Wynik jest istotny właśnie dlatego, że system musiał stale integrować zmieniający się kontekst wizualny na całej trasie, a nie tylko sklasyfikować jeden odizolowany obraz. Mimo to przejścia potwierdzają możliwości zademonstrowane w opisanych warunkach, a nie gwarantują, że robot poradzi sobie na każdym podobnym szlaku ani że poprawnie zinterpretuje każdy znak.\n\n Próby terenowe pokazują też, dlaczego słowo „autonomiczny” należy odczytywać ostrożnie. ROAM opisano jako system wykonujący wędrówki na dystansie wielu kilometrów przy minimalnej ingerencji, a dłuższe nagrania przedstawiają wykonywanie trasy przez robota, a nie ciągłe zdalne sterowanie. Uzasadnia to konkretne twierdzenie: pętla nawigacyjna może przeprowadzić platformę przez rozległe środowiska rzeczywiste, wykorzystując informacje semantyczne do decydowania, dokąd się udać. Nie potwierdza to autonomii ogólnego przeznaczenia, nieprzerwanego działania bez nadzoru ani niezawodnego odzyskiwania sprawności po każdym błędzie percepcji i sterowania. Udana demonstracja pozostaje ograniczona przez trasę, wyposażenie, konfigurację oraz rodzaje sytuacji uwzględnione w teście.\n\n Podział zadań w systemie ma kluczowe znaczenie dla interpretacji wyniku. Model wizyjno-językowy nie steruje bezpośrednio stawami robota. Zamiast tego opisuje widoczny teren i zagrożenia, przypisuje im ryzyko semantyczne oraz dostarcza informacji, które moduły niższego poziomu przekształcają w zachowanie nawigacyjne i lokomocyjne. ROAM łączy tę warstwę semantyczną ze wstępnie wytrenowanymi politykami uczonymi: jedną do lokalnej nawigacji i drugą do lokomocji. Repozytorium projektu opisuje potok, w którym powstają obrazy semantyczne łączone następnie z mapą wysokości, z której mogą korzystać polityki nawigacji i lokomocji robota. ([repozytorium kodu ROAM](https://github.com/leggedrobotics/roam))\n\n Taka architektura sprawia, że demonstracje są technicznie pouczające. Robot może już chodzić dzięki wyuczonemu sterowaniu, ale sprawne chodzenie to nie to samo co wybór trasy rozsądnej społecznie lub fizycznie. Przykłady terenowe pokazują, jak warstwa semantyczna zmienia znaczenie pozornie podobnego terenu. Miejskie znaki mogą nakazać robotowi zejście ze ścieżki; tory kolejowe mogą sprawić, że jedna strona trasy stanie się lepszym wyborem; dym zmienia warunki wizualne, w których podejmowane są decyzje. Podczas przejścia od wnętrza budynku na zewnątrz ten sam system przemieszcza się z budynku przez obszary kampusu, a następnie na pola, leśne szlaki i drogi gospodarcze, przy czym etykiety wizualne zmieniają się wraz z otoczeniem. Dowody dotyczą więc ciągłości działania systemu w różnych miejscach, a nie wyłącznie wyników w jednym specjalnie dostrojonym środowisku.\n\n Rola wstępnie wytrenowanych polityk wyznacza kolejną granicę. ROAM jest interfejsem między otwartym rozumowaniem wizualno-językowym a wyuczonym sterowaniem fizycznym, a nie zamiennikiem mechanizmów lokomocji. Zdolność robota do stawiania stabilnych kroków nadal zależy od polityk wytrenowanych do poruszania się, podczas gdy komponent semantyczny pomaga określić, które obszary należy preferować, omijać lub traktować jako niedostępne dla stóp. Testy terenowe pokazują, że te komponenty można połączyć na poruszającej się platformie kroczącej. Nie dowodzą jednak, że sam model językowy rozumie teren, planuje kompletną trasę i steruje korpusem na podstawie surowych pikseli.\n\n Łącznie demonstracje stanowią wiarygodny rezultat badawczy: wskazówki semantyczne można połączyć z robotem kroczącym podczas tras terenowych o długości kilometrów oraz w szerokim zestawie scen naturalnych, miejskich, wewnętrznych i charakteryzujących się ograniczoną widocznością. Minimalna ingerencja człowieka i ukończenie tras są ważnymi dowodami integracji. Nie należy jednak rozszerzać ich znaczenia na dowód niezawodnej autonomii w każdych warunkach pogodowych, oświetleniowych, typach terenu czy kontekstach znaków. Najmocniejszy wniosek jest węższy: ROAM pokazuje, że model wizyjno-językowy może dostarczać użytecznych ocen wysokiego poziomu do stosu nawigacyjnego, podczas gdy szybki i precyzyjny ruch nadal pozostaje odpowiedzialnością konwencjonalnego mapowania oraz wyuczonych mechanizmów sterowania.\n\n ## Dlaczego semantyczne mapy ryzyka są użyteczne — i wciąż kruche\n\n Mapa zbudowana wyłącznie na podstawie geometrii może odpowiedzieć na ważne, lecz niepełne pytanie: gdzie robot może fizycznie postawić stopy? Może przedstawiać nachylenia, szczeliny, przeszkody i inne właściwości wywnioskowane z kształtu lub głębi. Sama nie potrafi jednak niezawodnie wyrazić, dlaczego dwie powierzchnie wyglądające na podobnie przejezdne powinny prowadzić do różnych decyzji. Woda może być niepożądana, nawet jeśli jej powierzchnia wydaje się płaska. Wysoka trawa może zasłaniać teren, którego trudno ocenić wyłącznie na podstawie geometrii. Zamknięty szlak, znak ostrzegawczy lub oznaczenie robót budowlanych mogą zmienić trasę bez zmiany bezpośredniego kształtu podłoża. W takich przypadkach problem nawigacji nie sprowadza się jedynie do znalezienia wolnej przestrzeni; chodzi także o zinterpretowanie znaczenia tej przestrzeni w danym kontekście.\n\n Na tym polega wartość projektu semantycznej mapy ryzyka zastosowanego w ROAM. Model wizyjno-językowy może przypisać temu, co widzi robot, znaczenie istotne dla zadania, a segmentacja z otwartym słownikiem pomaga przenieść tę ocenę na obszary przestrzenne, zamiast pozostawiać ją w formie zdania lub pojedynczej etykiety. Następnie polityka nawigacyjna niższego poziomu może traktować te obszary jako kosztowne, preferowane lub ryzykowne, nadal korzystając z oddzielnych wyuczonych polityk odpowiedzialnych za podążanie trasą i lokomocję. Taki układ daje modelowi językowemu użyteczną rolę, bez wymagania, by obliczał każde działanie silników. System może więc łączyć interpretację sceny z geometrią i mechanizmami sterowania, które już zajmują się ruchem.\n\n To rozróżnienie ma znaczenie, ponieważ ocena semantyczna jest z natury mniej stabilna niż pomiar lokalnej cechy fizycznej. Oszacowanie głębi lub zmiana wysokości mogą zostać sprawdzone względem czujników robota i mapy. Znaczenie znaku zależy od rozpoznania jego treści wizualnej oraz odniesienia jej do trasy. Znaczenie wody, roślinności, dymu lub zablokowanej ścieżki zależy od zadania i od tego, czego robot ma unikać. Model może zauważyć istotny obiekt, a mimo to przypisać mu niewłaściwy priorytet, przeoczyć jego część albo nie zachować tego rozróżnienia po zmianie sceny. Mapa ryzyka sprawia, że taka ocena może wpływać na działanie, ale nie gwarantuje z góry jej poprawności.\n\n Badacze bezpośrednio wskazują tę granicę niezawodności. Projekt nie jest przedstawiany jako dowód, że model wizyjno-językowy rozwiązał problem nawigacji terenowej, a artykuł omawia pozostałe kwestie związane z niezawodnością rozumowania wizyjno-językowego i przestrzennego. Ograniczenia te są szczególnie istotne w systemie, który przekształca interpretację w gęsty sygnał przestrzenny. Błąd w podpisie może być widoczny dla człowieka i łatwy do zakwestionowania. Błąd na mapie ryzyka może natomiast wyglądać jak zwykła preferencja nawigacyjna, przez co robot wybierze dłuższą trasę, ominie użyteczny teren lub nie zareaguje na istotne zagrożenie. Oddzielenie rozumowania semantycznego od sterowania zmniejsza ryzyko wymagania od modelu bezpośrednich poleceń dla nóg, ale nie eliminuje potrzeby walidacji warstwy semantycznej.\n\n Dlatego ROAM najlepiej traktować jako demonstrację architektury, a nie ogólną gwarancję dotyczącą działania modeli bazowych w rzeczywistym świecie. Wkładem tego systemu jest pokazanie, jak wysokopoziomowe oceny wizualno-językowe można połączyć z konwencjonalnym mapowaniem oraz wyuczonym sterowaniem lokomocją, bez zastępowania tych elementów. Otwarte pozostaje pytanie, jak stabilnie takie połączenie działa przy różnym oświetleniu, z odmiennych punktów widzenia, na różnych typach terenu, w obecności znaków i przy nieznanych kombinacjach wskazówek. Pomyślne przejście trasy w terenie dowodzi, że cały potok może działać w przetestowanych warunkach; nie pokazuje natomiast, że te same decyzje semantyczne pozostaną niezawodne za każdym razem, gdy środowisko przyniesie nową niejednoznaczność.\n\n W ocenie systemu najbardziej miarodajne pytanie nie brzmi więc po prostu: czy robot dociera do celu? Chodzi raczej o to, czy mapa semantyczna poprawia decyzje, z którymi system oparty wyłącznie na geometrii miałby trudności, oraz czy jego błędy można wykryć i skorygować. Wymaga to pomiaru błędów dotyczących zagrożeń i znaków obok samego powodzenia trasy, sprawdzenia, jak często potrzebna jest interwencja człowieka, a także przeprowadzenia powtórzonych prób przy zmienionych warunkach wizualnych. Potrzebne są również porównania pozwalające wskazać źródło korzyści: co daje interpretacja semantyczna, co wynika ze wstępnie wytrenowanych polityk nawigacji i lokomocji, a co można osiągnąć dzięki samej informacji geometrycznej. ROAM wyraźnie pokazuje tę granicę — i czyni z niej główny problem inżynieryjny kolejnego etapu badań.\n\n ## Kto powinien się tym interesować i co testować dalej\n\n ROAM ma największe znaczenie dla zespołów pracujących w miejscach, gdzie mapa robota może zdezaktualizować się szybciej, niż da się zbadać teren. Trasy inspekcyjne, akcje poszukiwawczo-ratownicze, zakłady przemysłowe i obiekty na otwartej przestrzeni mogą zawierać wskazówki trudne do sprowadzenia wyłącznie do geometrii: znak może przekierowywać ruch, fragment roślinności może być niepożądany mimo pozornej przejezdności, a znana ścieżka może przestać być najbezpieczniejszym wyborem. Wkład ROAM polega na udostępnieniu takich sygnałów stosowi nawigacyjnemu bez wymagania, by model wizualno-językowy bezpośrednio sterował nogami robota. Model dostarcza ocen semantycznych, natomiast konwencjonalne mapowanie oraz wyuczone polityki nawigacji i lokomocji nadal odpowiadają za przełożenie ich na ruch.\n\n Taki podział zadań wyznacza również właściwy sposób oceny wyniku. Udana demonstracja pokazuje, że robot potrafi wykorzystywać informacje semantyczne podczas pokonywania trasy, ale sama w sobie nie dowodzi autonomii ogólnego przeznaczenia. Demonstracje badawcze i nagrania projektu są dowodem, że ta architektura może działać w zróżnicowanych środowiskach, między innymi na szlakach, w lasach, na trawie, drogach, w przestrzeniach wewnętrznych, w dymie, na torach kolejowych i wśród miejskich znaków. Należy je odczytywać jako testy konkretnego systemu złożonego z modelu wizualno-językowego, segmentacji o otwartym słownictwie, tworzenia map ryzyka oraz wstępnie wytrenowanych polityk sterowania — nie jako gwarancję, że to samo zachowanie bez zmian przeniesie się na każde miejsce i warunki pracy.\n\n Dla praktyków pierwsze pytanie nie powinno więc brzmieć, czy model bazowy potrafi abstrakcyjnie „rozumieć” scenę. Istotne jest to, czy jego oceny poprawiają decyzje robota w punktach, w których system oparty wyłącznie na geometrii pozostaje niejednoznaczny. Ocena powinna podawać częstość interwencji i wyjaśniać, co oznaczają te interwencje: korektę człowieka, zatrzymanie trasy, zachowanie związane z odzyskaniem sprawności czy zmianę wybranej ścieżki. Błędy dotyczące znaków, zagrożeń, preferowanego terenu i obszarów wyłączonych z ruchu należy mierzyć oddzielnie. Zbiorczy wskaźnik powodzenia może ukryć różnicę między niegroźną pomyłką semantyczną a błędem kierującym robota w stronę niebezpiecznego lub zamkniętego obszaru.\n\n Ocena powinna również obejmować warunki, w których percepcja semantyczna może się zmieniać. Pogoda i oświetlenie wymagają osobnego uwzględnienia, podobnie jak punkty widzenia, z których znaki lub zagrożenia są częściowo zasłonięte. Liczy się powtarzalność: tę samą trasę należy testować więcej niż raz, aby wyniku nie przypisać korzystnej sekwencji obserwacji. Badacze i nabywcy powinni dokumentować platformę robota, czujniki, moc obliczeniową potrzebną do uruchomienia systemu oraz to, które możliwości pochodzą ze wstępnie wytrenowanych polityk. Te szczegóły decydują o tym, czy opisywane zachowanie można odtworzyć i czy architekturę da się ocenić niezależnie od konkretnej konfiguracji sprzętu i oprogramowania.\n\n Niezbędny jest model bazowy oparty wyłącznie na geometrii. Bez niego nie da się stwierdzić, czy poprawa wynika z komponentu wizyjno-językowego, a nie z projektu trasy, dostrojenia systemu lub bazowej polityki lokomocji. Porównanie powinno wykorzystywać tę samą platformę i zasadniczo porównywalne sensory, a następnie sprawdzać, gdzie semantyczna mapa ryzyka zmienia wybraną trasę oraz czy te zmiany ograniczają liczbę interwencji lub błędów związanych z zagrożeniami. Równie ważne jest odnotowanie przypadków, w których model językowy jest niepewny, niedokładny przestrzennie albo po prostu się myli. Naukowcy wskazują, że niezawodność i rozumowanie przestrzenne nadal stanowią ograniczenia, dlatego takie niepowodzenia są częścią wyniku, a nie niewygodnymi wyjątkami, które można pominąć.\n\n Szerszy wniosek jest wyważony, a nie rewolucyjny. ROAM przedstawia wiarygodny interfejs między wysokopoziomową oceną semantyczną a niskopoziomowym sterowaniem fizycznym: percepcja kierowana językiem może wpływać na to, dokąd robot kroczący się porusza, podczas gdy za sposób chodzenia nadal odpowiada wyuczona lokomocja. Kolejnym krokiem nie powinno być zniesienie tego rozdziału, lecz systematyczne testowanie jego granic — na różnych trasach, w odmiennych warunkach, z wykorzystaniem różnego sprzętu i modeli bazowych. Jeśli przyszłe ewaluacje wykażą mniej interwencji i rzadsze istotne błędy dotyczące znaków lub zagrożeń, bez nadmiernych wymagań co do sensorów i mocy obliczeniowej, architektura ta może stać się użytecznym wzorcem nawigacji w zmiennych środowiskach. Na razie jej najmocniejsze twierdzenie jest węższe, ale bardziej wartościowe: semantyczne mapy ryzyka wyznaczają praktyczną drogę badawczą do nadania znaczenia nawigacji uwzględniającej ukształtowanie terenu, pozostawiając otwarty trudny problem niezawodnej autonomii fizycznej.","available_translations":[{"language":"ar","title":"يُظهر ROAM كيف يمكن لنماذج الرؤية واللغة توجيه الروبوتات ذات الأرجل من دون قيادة قوائمها","html_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots?lang=ar","markdown_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.md?lang=ar","json_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.json?lang=ar","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/roam_vision_language_navigation_legged_robots?lang=ar"},{"language":"de","title":"ROAM zeigt, wie Vision-Language-Modelle vierbeinige Roboter steuern können, ohne ihre Beine anzutreiben","html_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots?lang=de","markdown_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.md?lang=de","json_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.json?lang=de","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/roam_vision_language_navigation_legged_robots?lang=de"},{"language":"en","title":"ROAM Shows How Vision-Language Models Can Guide Legged Robots Without Driving Their Legs","html_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots?lang=en","markdown_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.md?lang=en","json_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.json?lang=en","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/roam_vision_language_navigation_legged_robots?lang=en"},{"language":"es","title":"ROAM muestra cómo los modelos visión-lenguaje pueden guiar robots con patas sin controlar sus movimientos","html_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots?lang=es","markdown_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.md?lang=es","json_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.json?lang=es","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/roam_vision_language_navigation_legged_robots?lang=es"},{"language":"fr","title":"ROAM montre comment des modèles vision-langage peuvent guider des robots quadrupèdes sans commander leurs pattes","html_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots?lang=fr","markdown_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.md?lang=fr","json_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.json?lang=fr","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/roam_vision_language_navigation_legged_robots?lang=fr"},{"language":"pl","title":"ROAM pokazuje, jak modele wizyjno-językowe mogą kierować robotami kroczącymi bez sterowania ich nogami","html_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots?lang=pl","markdown_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.md?lang=pl","json_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.json?lang=pl","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/roam_vision_language_navigation_legged_robots?lang=pl"},{"language":"ru","title":"ROAM показывает, как модели зрения и языка могут направлять шагающих роботов, не управляя их ногами","html_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots?lang=ru","markdown_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.md?lang=ru","json_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.json?lang=ru","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/roam_vision_language_navigation_legged_robots?lang=ru"},{"language":"zh","title":"ROAM 展示视觉语言模型如何引导足式机器人，而无需直接控制其腿部","html_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots?lang=zh","markdown_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.md?lang=zh","json_url":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.json?lang=zh","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/roam_vision_language_navigation_legged_robots?lang=zh"}],"_links":{"self":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.json?lang=pl","api":"https://publicasta.com/api/public/v1/channels/robots/articles/roam_vision_language_navigation_legged_robots?lang=pl","html":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots?lang=pl","canonical":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots?lang=pl","markdown":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.md?lang=pl","json":"https://publicasta.com/robots/roam_vision_language_navigation_legged_robots.json?lang=pl","channel":"https://publicasta.com/api/public/v1/channels/robots","channel_articles":"https://publicasta.com/api/public/v1/channels/robots/articles","search":"https://publicasta.com/api/public/v1/search","documentation":"https://publicasta.com/api-docs#reading-publicasta","openapi":"https://publicasta.com/api-docs/openapi.json","llms":"https://publicasta.com/llms.txt"}}