---
service: "Publicasta"
schema_version: "1.0"
article_id: 1317
title: "ROAM muestra cómo los modelos visión-lenguaje pueden guiar robots con patas sin controlar sus movimientos"
language: "es"
default_language: "en"
canonical_url: "https://publicasta.com/robots/roam_vision_language_navigation_legged_robots?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"
channel_url: "https://publicasta.com/api/public/v1/channels/robots"
channel_articles: "https://publicasta.com/api/public/v1/channels/robots/articles"
search_url: "https://publicasta.com/api/public/v1/search"
documentation_url: "https://publicasta.com/api-docs#reading-publicasta"
openapi_url: "https://publicasta.com/api-docs/openapi.json"
published_at: "2026-11-21T06:51:05+00:00"
updated_at: "2026-11-21T06:51:05+00:00"
translations:
  - language: "ar"
    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"
  - language: "de"
    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"
  - language: "en"
    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"
  - language: "es"
    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"
  - language: "fr"
    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"
  - language: "pl"
    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"
  - language: "ru"
    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"
  - language: "zh"
    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"
---

# ROAM muestra cómo los modelos visión-lenguaje pueden guiar robots con patas sin controlar sus movimientos

> El sistema ROAM de ETH Zúrich usa un modelo visión-lenguaje para interpretar terrenos, señales y peligros, y transmite esa información a políticas convencionales de mapeo y locomoción. La prueba está en separar el juicio semántico del control físico.

## La decisión central de diseño de ROAM: los modelos de lenguaje juzgan la escena, no los motores

 ![Un robot de investigación cuadrúpedo camina por un sendero alpino junto a un lago de montaña.](https://publicasta.com/storage/projects/11/pages/1317/2026/11/1a512bc7-7acf-4256-8f71-85243052e330.webp)

 ROAM se basa en una división del trabajo. Un modelo visión-lenguaje interpreta lo que ve el robot —terreno, peligros, zonas que parecen preferibles para desplazarse y señales—, mientras que componentes independientes de navegación y locomoción se encargan de convertir esa interpretación en movimiento. La distinción importa porque reconocer una escena y controlar una máquina que camina son problemas diferentes. Que un modelo pueda describir un sendero, identificar una advertencia o comparar dos superficies no lo convierte automáticamente en una fuente fiable de órdenes para caminar.

 Por eso, el sistema no pide al modelo visión-lenguaje que produzca coordenadas o velocidades. En su lugar, utiliza sus juicios semánticos como información de navegación. El modelo nombra los elementos que aparecen en el campo visual y les asigna valores de riesgo relacionados con la navegación, mientras un módulo de segmentación de vocabulario abierto localiza esas categorías en la imagen de la cámara, píxel a píxel. El resultado es un mapa de riesgo denso y en tiempo real: una representación espacial en la que cada región visible recibe una preferencia por atravesarla o evitarla. La [página del proyecto ROAM](https://roam-hiking.github.io/) describe la lógica básica con claridad: el modelo dice qué aparece a la vista y qué riesgo representa, y el robot convierte esa evaluación en una decisión sobre por dónde caminar.

 Esta interfaz permite representar distinciones que una visión del mundo basada únicamente en la geometría podría pasar por alto. No se trata solo de saber si una porción del suelo parece físicamente transitable. Un lago, una superficie peligrosa, un animal o una señal pueden cambiar la ruta preferida aunque la geometría, por sí sola, no ofrezca una razón completa para elegir una dirección en lugar de otra. En ROAM, esos juicios semánticos se convierten en valores que pueden fusionarse con la representación espacial del robot, en vez de quedar como una respuesta textual sin estructura.

 El mapa de riesgo condiciona después dos políticas de aprendizaje por refuerzo preentrenadas: una para la navegación local y otra para la locomoción ágil. Estas políticas se ocupan de las partes rápidas y precisas de la cadena. El [artículo](https://arxiv.org/abs/2611.25215) lo describe como un acoplamiento entre el razonamiento visión-lenguaje de alto nivel y el control físico de bajo nivel, mientras que el [repositorio oficial](https://github.com/leggedrobotics/roam) explica que las imágenes semánticas se incorporan a un mapa de elevación utilizado por las políticas de navegación y locomoción del robot. El modelo de lenguaje aporta un juicio sobre el entorno; el sistema de control aprendido utiliza ese juicio, pero sigue siendo responsable de seleccionar la ruta y de gestionar la marcha.

 Esta separación es importante porque una instrucción directa como «ve allí» deja sin especificar buena parte del problema físico. ¿Qué superficie debe preferirse? ¿Qué obstáculo conviene evitar? ¿Una señal visible modifica la ruta? Un mapa de riesgo ofrece a las políticas posteriores una respuesta estructurada a esas preguntas sin exigir al modelo de lenguaje que prediga cada posición de una pata, cada movimiento del cuerpo o cada contacto con el suelo. El modelo contribuye con una evaluación de la escena visible, mientras que las políticas conservan la responsabilidad de hacer viable el movimiento.

 El enfoque también evita limitar la percepción semántica a una lista pequeña y fija de categorías. Como la fase de segmentación utiliza un vocabulario abierto, el sistema puede emplear descripciones basadas en el lenguaje para identificar regiones relevantes, en lugar de depender únicamente de clases definidas de antemano. Los materiales del proyecto muestran al modelo asignando valores a ejemplos como un camino de grava, hierba y una vaca, y convirtiendo después esas etiquetas en mapas por píxel. La etiqueta exacta no constituye la acción final: pasa a formar parte de una señal de coste espacial que el sistema de navegación puede utilizar.

 Aun así, conviene mantener explícito el límite entre ambas capas. Un mapa de riesgo es un juicio intermedio, no una garantía de que una ruta sea segura. Si la interpretación semántica es incorrecta, el controlador puede recibir una preferencia engañosa sobre el terreno o una advertencia equivocada acerca de la escena. A la inversa, una etiqueta correcta no elimina la incertidumbre física de caminar sobre un suelo irregular. El diseño de ROAM resulta útil precisamente porque mantiene separadas esas responsabilidades: el razonamiento semántico puede influir en el lugar al que decide ir un robot con patas sin tratarse como sustituto de los sistemas que hacen físicamente posible cada paso.

 Eso convierte a ROAM en un estudio sobre la composición de sistemas tanto como sobre las capacidades de los modelos. Su pregunta central es si un modelo de visión y lenguaje puede ofrecer juicios suficientemente útiles y anclados espacialmente para que las políticas de navegación y locomoción ya existentes puedan aprovecharlos. Por tanto, el objeto relevante es la canalización completa —desde la interpretación visual, pasando por la segmentación de vocabulario abierto y la estimación del riesgo, hasta la selección aprendida de rutas y la marcha—, no una demostración aislada de un modelo lingüístico. La promesa del sistema está en conectar una comprensión amplia de la escena con una pila de control que ya sabe moverse; la dificultad consiste en garantizar que esa conexión siga siendo fiable cuando el significado de la escena influye en la ruta más segura.

 ## Lo que realmente demuestran las pruebas de campo

 Las pruebas de campo de ROAM van más allá de un circuito interior de obstáculos cuidadosamente preparado. Los materiales del proyecto muestran al robot cuadrúpedo operando en senderos alpinos, bosques, praderas, carreteras, espacios interiores, zonas con humo, vías ferroviarias y entornos urbanos con señales. Esta variedad importa porque cada escenario modifica el significado de «seguro». Una ruta puede estar libre desde el punto de vista geométrico y, aun así, resultar poco conveniente porque atraviesa hierba alta, se acerca a una vía, entra en una zona con humo o está cerrada por una señal de obras. Las demostraciones ponen a prueba, por tanto, si la comprensión semántica de la escena puede influir en la elección de la ruta mientras el robot sigue siendo responsable de caminar físicamente sobre el terreno. ([Página del proyecto ROAM](https://roam-hiking.github.io/); [artículo en arXiv](https://arxiv.org/abs/2611.25215))

 La página del proyecto destaca dos recorridos exteriores de mayor duración: una demostración de 2,4 km en Seealpsee y otra de 10,1 km en Zermatt. Esas distancias aportan evidencia de una ejecución sostenida de la ruta, no de un único paso correcto ni de una breve reacción visual. El recorrido de Zermatt incluyó grava, roca, hierba, orillas de lagos y vías ferroviarias; el de Seealpsee siguió un circuito alrededor de un lago de montaña. El resultado es relevante precisamente porque el sistema tuvo que seguir integrando un contexto visual cambiante a lo largo de una ruta, no limitarse a clasificar una imagen aislada. Aun así, los recorridos demuestran una capacidad bajo las condiciones descritas, no garantizan que el robot pueda navegar por cualquier sendero parecido ni interpretar correctamente todas las señales.

 Las pruebas de campo también muestran por qué «autónomo» debe leerse con cuidado. ROAM se describe como capaz de completar caminatas de varios kilómetros con una intervención mínima, y los vídeos más largos presentan la ejecución de la ruta por parte del robot, en lugar de un control remoto continuo. Esto respalda una afirmación concreta: el bucle de navegación puede llevar la plataforma por entornos reales prolongados y utilizar información semántica para decidir adónde ir. No demuestra una autonomía de propósito general, un funcionamiento indefinido sin supervisión ni una recuperación fiable ante cualquier fallo de percepción o control. Una demostración exitosa sigue estando limitada por su ruta, su equipo, su configuración y los tipos de situaciones representados en la prueba.

 La división de tareas del sistema es fundamental para interpretar el resultado. El modelo de visión y lenguaje no controla directamente las articulaciones del robot. En su lugar, describe el terreno y los peligros visibles, asigna un riesgo semántico y proporciona información que los módulos posteriores convierten en comportamiento de navegación y locomoción. ROAM combina esa capa semántica con políticas aprendidas previamente: una para la navegación local y otra para la locomoción. El repositorio del proyecto describe una canalización que produce imágenes semánticas fusionadas con un mapa de elevación, que las políticas de navegación y locomoción del robot pueden utilizar. ([Repositorio de código de ROAM](https://github.com/leggedrobotics/roam))

 Esta arquitectura hace que las demostraciones sean técnicamente informativas. Un robot ya puede caminar mediante control aprendido, pero caminar con competencia no equivale a escoger la ruta social o físicamente sensata. Los ejemplos de campo muestran cómo la capa semántica cambia el significado de terrenos que, de otro modo, serían similares. Las señales urbanas pueden indicar al robot que abandone un camino; las vías ferroviarias pueden hacer preferible un lado de la ruta; el humo modifica las condiciones visuales en las que se toman las decisiones. En el recorrido del proyecto que va del interior al exterior, el mismo sistema pasa de un edificio a zonas del campus y continúa hacia campos, senderos forestales y caminos agrícolas, mientras las etiquetas visuales cambian con el entorno. La evidencia se refiere, por tanto, a la continuidad del sistema entre distintos lugares, no solo a su rendimiento en un entorno ajustado especialmente.

 El papel de las políticas preentrenadas marca un límite adicional. ROAM funciona como interfaz entre el razonamiento abierto de visión y lenguaje y el control físico aprendido; no sustituye la maquinaria de locomoción. La capacidad del robot para dar pasos estables sigue dependiendo de políticas entrenadas para el movimiento, mientras que el componente semántico ayuda a determinar qué regiones conviene priorizar, evitar o tratar como no transitables. Las pruebas de campo muestran que ambos componentes pueden acoplarse en una plataforma robótica cuadrúpeda en movimiento. No demuestran que el modelo de lenguaje, por sí solo, comprenda el terreno, planifique una ruta completa y controle el cuerpo a partir de píxeles sin procesar.

 En conjunto, las demostraciones establecen un resultado de investigación creíble: la orientación semántica puede conectarse a un robot cuadrúpedo en recorridos exteriores de escala kilométrica y a través de una amplia variedad de escenas naturales, urbanas, interiores y con visibilidad degradada. La intervención mínima y la finalización de las rutas son pruebas importantes de integración. No deben convertirse en una demostración de autonomía robusta bajo cualquier condición meteorológica, situación de iluminación, tipo de terreno o contexto de señalización. La conclusión más sólida es más precisa: ROAM demuestra que un modelo de visión y lenguaje puede aportar juicios útiles de alto nivel a una pila de navegación, mientras que el movimiento rápido y preciso sigue siendo responsabilidad de los sistemas convencionales de mapeo y del control aprendido.

 ## Por qué los mapas semánticos de riesgo son útiles, pero siguen siendo frágiles

 Un mapa construido únicamente a partir de la geometría puede responder a una pregunta importante, aunque incompleta: ¿dónde puede apoyar físicamente sus patas el robot? Puede representar pendientes, huecos, obstáculos y otras propiedades inferidas de la forma o la profundidad. Sin embargo, por sí solo no puede expresar de manera fiable por qué dos superficies que parecen igualmente transitables deberían conducir a decisiones distintas. El agua puede ser indeseable aunque su superficie parezca plana. La hierba alta puede ocultar un terreno difícil de evaluar solo mediante la geometría. Un sendero cerrado, una señal de advertencia o un marcador de obras pueden cambiar la ruta sin modificar la forma inmediata del suelo. En estos casos, el problema de navegación no consiste únicamente en encontrar espacio libre, sino en interpretar qué significa ese espacio en su contexto.

 Ese es el valor de ROAM, visto desde la perspectiva del lector, y de su diseño de mapas semánticos de riesgo. El modelo de visión y lenguaje puede asignar un significado relevante para la tarea a lo que observa el robot, mientras que la segmentación de vocabulario abierto ayuda a proyectar ese juicio sobre regiones espaciales, en lugar de dejarlo reducido a una frase o a una etiqueta aislada. Después, una política de navegación posterior puede tratar esas regiones como costosas, preferibles o arriesgadas, sin dejar de apoyarse en políticas aprendidas independientes para seguir la ruta y controlar la locomoción. Esta disposición da al modelo de lenguaje una función útil sin exigirle que calcule cada acción motora. Así, el sistema puede combinar la interpretación de la escena con la maquinaria geométrica y de control que ya se encarga del movimiento.

 La distinción importa porque el juicio semántico es, por naturaleza, menos estable que la medición de una característica física local. Una estimación de profundidad o un cambio de elevación pueden contrastarse con los sensores y el mapa del robot. El significado de una señal depende de reconocer su contenido visual y relacionarlo con la ruta. La importancia del agua, la vegetación, el humo o un camino bloqueado depende de la tarea y de aquello que se espera que el robot evite. Un modelo puede detectar el objeto relevante, pero asignarle una prioridad equivocada, pasar por alto una parte o no conservar la distinción cuando la escena cambia. Un mapa de riesgo puede convertir ese juicio en una instrucción operativa, pero no hace que el juicio sea correcto por construcción.

 Los investigadores señalan directamente este límite de fiabilidad. El proyecto no se presenta como prueba de que un modelo de visión y lenguaje haya resuelto la navegación exterior, y el artículo analiza problemas pendientes relacionados con la fiabilidad del razonamiento de visión y lenguaje y del razonamiento espacial. Esas limitaciones son especialmente importantes en un sistema que convierte una interpretación en una señal espacial densa. Un error en un texto descriptivo puede resultar visible para un lector humano y ser fácil de cuestionar. En cambio, un error en un mapa de riesgo puede parecer una preferencia de navegación normal y hacer que el robot tome una ruta más larga, evite terreno útil o no reaccione ante un peligro relevante. Separar el razonamiento semántico del control reduce el riesgo de pedir al modelo órdenes directas para las patas, pero no elimina la necesidad de validar la capa semántica.

 Por eso, ROAM se entiende mejor como una demostración arquitectónica que como una garantía general sobre los modelos fundacionales en entornos reales. Su aportación consiste en mostrar cómo los juicios visuales y lingüísticos de alto nivel pueden conectarse con la cartografía convencional y la locomoción aprendida sin sustituir esos componentes. La cuestión abierta es hasta qué punto esa conexión se mantiene de forma consistente con distintas condiciones de iluminación, puntos de vista, apariencias del terreno, señales y combinaciones de indicios desconocidas. Una ruta completada con éxito demuestra que la cadena completa puede funcionar en el entorno probado; no demuestra que las mismas decisiones semánticas sigan siendo fiables cada vez que el entorno plantee una nueva ambigüedad.

 Por tanto, la pregunta más reveladora para la evaluación no es simplemente si el robot llega a su destino. Es si el mapa semántico mejora decisiones que a un sistema basado únicamente en la geometría le costaría tomar, y si sus errores pueden detectarse y corregirse. Esto exige medir los errores relacionados con peligros y señales junto con el éxito de las rutas, analizar con qué frecuencia debe intervenir una persona y realizar pruebas repetidas bajo condiciones visuales cambiantes. También requiere comparaciones que aíslen el origen de la mejora: qué aporta la interpretación semántica, qué procede de las políticas de navegación y locomoción preentrenadas, y qué puede lograrse usando únicamente información geométrica. ROAM hace explícito ese límite y lo convierte en el problema central de ingeniería para la siguiente etapa de la investigación.

 ## Quién debería prestar atención y qué probar a continuación

 ROAM resulta especialmente relevante para los equipos que trabajan en lugares donde el mapa de un robot puede quedar obsoleto antes de que sea posible estudiar el terreno por completo. Las rutas de inspección, las situaciones de búsqueda y rescate, los emplazamientos industriales y las instalaciones al aire libre pueden contener indicios difíciles de reducir a la geometría: una señal puede desviar el tráfico, una zona de vegetación puede ser poco conveniente aunque parezca transitable, y un camino conocido puede dejar de ser la opción más segura. La aportación de ROAM es poner esos indicios a disposición del sistema de navegación sin pedirle a un modelo de visión y lenguaje que controle directamente las patas del robot. El modelo proporciona juicios semánticos; la cartografía convencional y las políticas aprendidas de navegación y locomoción siguen siendo responsables de convertirlos en movimiento.

 Esa división del trabajo también define la forma adecuada de evaluar el resultado. Una demostración exitosa prueba que el robot puede utilizar información semántica durante la ejecución de una ruta, pero por sí sola no establece una autonomía de propósito general. Las demostraciones de investigación y los vídeos del proyecto aportan evidencia de que esta arquitectura puede funcionar en entornos variados, incluidos senderos, bosques, hierba, carreteras, espacios interiores, humo, vías ferroviarias y señales urbanas. Deben interpretarse como pruebas de un sistema concreto, ensamblado a partir de un modelo de visión y lenguaje, segmentación de vocabulario abierto, construcción de mapas de riesgo y políticas de control preentrenadas; no como una garantía de que el mismo comportamiento se transferirá sin cambios a cualquier lugar o condición operativa.

 Para quienes implementan estos sistemas, la primera pregunta no es si un modelo fundacional puede «entender» una escena en abstracto. Es si sus juicios mejoran las decisiones del robot en los puntos donde un sistema basado solo en la geometría resulta ambiguo. La evaluación debería informar de la tasa de intervención y explicar qué significa cada intervención: una corrección humana, una ruta detenida, una conducta de recuperación o un cambio en el camino seleccionado. También debería medir por separado los errores relacionados con señales, peligros, terrenos preferidos y zonas de exclusión. Una tasa global de éxito puede ocultar la diferencia entre un error semántico inofensivo y otro que dirija al robot hacia una zona peligrosa o cerrada.

 La evaluación también debe abarcar las condiciones en las que probablemente cambie la percepción semántica. El clima y la iluminación requieren un tratamiento explícito, al igual que los puntos de vista que dejan parcialmente ocultas las señales o los peligros. La repetibilidad es importante: la misma ruta debería probarse más de una vez para evitar atribuir el resultado a una secuencia favorable de observaciones. Investigadores y compradores deberían documentar la plataforma robótica, los sensores, la capacidad de cómputo necesaria para ejecutar el sistema y qué funciones proceden de políticas preentrenadas. Esos detalles determinan si un comportamiento descrito puede reproducirse y si la arquitectura puede evaluarse de forma independiente de una configuración concreta de hardware y software.

 Un punto de comparación basado únicamente en la geometría es esencial. Sin él, una mejora no puede atribuirse al componente de visión y lenguaje en lugar de al diseño de la ruta, al ajuste de parámetros o a la política de locomoción subyacente. La comparación debería utilizar la misma plataforma y una percepción ampliamente comparable, para examinar después en qué momentos el mapa semántico de riesgos modifica la ruta elegida y si esos cambios reducen las intervenciones o los errores ante peligros. También es importante registrar los casos en que el modelo de lenguaje se muestra inseguro, es impreciso espacialmente o, sencillamente, se equivoca. Los investigadores señalan que la fiabilidad y el razonamiento espacial siguen siendo limitaciones; por tanto, esos fallos forman parte del resultado y no son excepciones incómodas que deban omitirse.

 La lección general es prudente, no revolucionaria. ROAM ofrece una interfaz creíble entre el juicio semántico de alto nivel y el control físico de bajo nivel: la percepción guiada por lenguaje puede influir en el destino de un robot cuadrúpedo, mientras la locomoción aprendida sigue encargándose de cómo camina. El siguiente paso no consiste en eliminar esa separación, sino en poner a prueba sus límites de forma sistemática: en distintas rutas, condiciones, plataformas y comparaciones de referencia. Si futuras evaluaciones muestran menos intervenciones y menos errores relevantes relacionados con señales o peligros, sin exigir unos recursos de percepción y cómputo desproporcionados, la arquitectura podría convertirse en un patrón útil para navegar por entornos cambiantes. Hasta entonces, su afirmación más sólida —y más valiosa— es más concreta: los mapas semánticos de riesgos ofrecen una vía de investigación práctica para añadir significado a la navegación consciente del terreno, aunque dejan abierto el difícil problema de lograr una autonomía física fiable.
