---
service: "Publicasta"
schema_version: "1.0"
article_id: 1317
title: "ROAM montre comment des modèles vision-langage peuvent guider des robots quadrupèdes sans commander leurs pattes"
language: "fr"
default_language: "en"
canonical_url: "https://publicasta.com/robots/roam_vision_language_navigation_legged_robots?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"
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: "2026-11-21T06:51:07+00:00"
updated_at: "2026-11-21T06:51:07+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 montre comment des modèles vision-langage peuvent guider des robots quadrupèdes sans commander leurs pattes

> Le système ROAM d’ETH Zurich utilise un modèle vision-langage pour interpréter le terrain, les panneaux et les dangers, puis transmet ces informations à des modules classiques de cartographie et de locomotion. Son véritable enjeu se situe entre jugement sémantique et contrôle physique.

## Le choix central de ROAM : les modèles de langage évaluent la scène, pas les moteurs

 ![Un robot de recherche quadrupède avance sur un sentier alpin au bord d’un lac de montagne.](https://publicasta.com/storage/projects/11/pages/1317/2026/11/1a512bc7-7acf-4256-8f71-85243052e330.webp)

 ROAM repose sur une répartition des tâches. Un modèle vision-langage interprète ce que voit le robot — le terrain, les dangers, les zones qui semblent préférables pour avancer et les panneaux — tandis que des composants distincts de navigation et de locomotion restent chargés de transformer cette interprétation en mouvement. Cette distinction compte, car reconnaître une scène et contrôler une machine qui marche sont deux problèmes différents. Un modèle capable de décrire un sentier, de repérer un avertissement ou de comparer deux surfaces n’est pas automatiquement une source fiable de commandes de marche.

 Le système ne demande donc pas au modèle vision-langage de produire des coordonnées ou des vitesses. Il utilise plutôt ses jugements sémantiques comme informations de navigation. Le modèle nomme les éléments visibles et leur attribue des niveaux de risque liés à la navigation, tandis qu’un module de segmentation à vocabulaire ouvert retrouve ces catégories dans l’image de la caméra, pixel par pixel. Le résultat est une carte des risques dense et en temps réel : une représentation spatiale dans laquelle chaque zone visible reçoit une préférence pour le passage ou l’évitement. La [page du projet ROAM](https://roam-hiking.github.io/) décrit simplement cette logique : le modèle indique ce qui se trouve dans le champ de vision et le niveau de risque associé, puis le robot transforme cette évaluation en choix de trajectoire.

 Cette interface permet de représenter des distinctions qu’une vision du monde fondée uniquement sur la géométrie pourrait ne pas saisir. Il ne s’agit pas seulement de déterminer si une portion de terrain semble physiquement franchissable. Un lac, une surface dangereuse, un animal ou un panneau peut modifier l’itinéraire privilégié, même lorsque la géométrie seule ne fournit pas de raison complète de choisir une direction plutôt qu’une autre. Dans ROAM, ces jugements sémantiques sont convertis en valeurs qui peuvent être fusionnées avec la représentation spatiale du robot, au lieu de rester une réponse textuelle non structurée.

 La carte des risques conditionne ensuite deux politiques de renforcement préentraînées : l’une pour la navigation locale, l’autre pour la locomotion agile. Ces politiques prennent en charge les étapes rapides et précises de la chaîne. L’[article](https://arxiv.org/abs/2611.25215) présente cette architecture comme un couplage entre raisonnement vision-langage de haut niveau et contrôle physique de bas niveau, tandis que le [dépôt officiel](https://github.com/leggedrobotics/roam) précise que les images sémantiques alimentent une carte d’élévation utilisée par les politiques de navigation et de locomotion du robot. Le modèle de langage fournit une évaluation de l’environnement ; la pile de contrôle apprise l’exploite tout en restant responsable du choix de l’itinéraire et du comportement de marche.

 Cette séparation est importante, car une instruction brute telle que « va par là » laisse le problème physique largement indéterminé. Quelle surface faut-il privilégier ? Quel obstacle faut-il éviter ? Un panneau visible doit-il modifier l’itinéraire ? Une carte des risques fournit aux politiques en aval une réponse structurée à ces questions, sans demander au modèle de langage de prédire chaque pose de patte, chaque mouvement du corps ou chaque contact avec le sol. Il évalue la scène visible, tandis que les politiques restent responsables de rendre le déplacement réalisable.

 Cette approche évite aussi de limiter la perception sémantique à une liste restreinte et figée de catégories. Comme l’étape de segmentation repose sur un vocabulaire ouvert, le système peut utiliser des descriptions formulées en langage naturel pour identifier les zones pertinentes, au lieu de dépendre uniquement de classes définies à l’avance. Les documents du projet montrent le modèle attribuant des valeurs à des exemples tels qu’un chemin de gravier, de l’herbe et une vache, puis transformant ces étiquettes en cartes par pixel. L’étiquette exacte ne constitue pas l’action finale ; elle devient un élément d’un signal de coût spatial que le système de navigation peut exploiter.

 La frontière entre les deux couches doit néanmoins rester clairement établie. Une carte des risques est un jugement intermédiaire, pas une garantie qu’un itinéraire est sûr. Si l’interprétation sémantique est erronée, le contrôleur peut recevoir une préférence trompeuse concernant le terrain ou un avertissement incorrect sur la scène. À l’inverse, une étiquette correcte ne supprime pas l’incertitude physique liée à la marche sur un sol accidenté. La conception de ROAM est précisément utile parce qu’elle sépare ces responsabilités : le raisonnement sémantique peut influencer la direction choisie par un robot quadrupède sans être considéré comme un substitut aux systèmes qui rendent chaque pas physiquement possible.

 ROAM est donc autant une étude de composition des systèmes qu’une étude des capacités d’un modèle. Sa question centrale est de savoir si un modèle vision-langage peut produire des évaluations suffisamment utiles et ancrées dans l’espace pour être exploitées par des politiques de navigation et de locomotion déjà établies. L’objet pertinent est ainsi la chaîne complète — de l’interprétation visuelle à la sélection apprise d’un itinéraire et à la marche, en passant par la segmentation à vocabulaire ouvert et l’estimation des risques — plutôt qu’une démonstration isolée d’un modèle de langage. La promesse du système tient à la connexion entre une compréhension générale de la scène et une architecture de contrôle qui sait déjà se déplacer ; sa difficulté consiste à garantir que cette connexion reste fiable lorsque le sens de la scène influe sur le chemin le plus sûr.

 ## Ce que les démonstrations sur le terrain établissent réellement

 Les éléments recueillis sur le terrain par ROAM vont au-delà d’un parcours d’obstacles intérieur soigneusement préparé. Les documents du projet montrent le robot quadrupède évoluer sur des sentiers alpins, en forêt, dans des prairies, sur des routes, dans des espaces intérieurs, au milieu de fumée, sur des voies ferrées et dans des environnements urbains comportant des panneaux. Cette diversité compte, car chaque cadre modifie ce que signifie « sûr ». Un itinéraire peut être libre d’un point de vue géométrique, mais rester indésirable parce qu’il traverse des herbes hautes, s’approche d’une voie ferrée, pénètre dans la fumée ou est fermé par un panneau de travaux. Les démonstrations testent donc la capacité d’une compréhension sémantique de la scène à influencer le choix de l’itinéraire, tandis que le robot reste chargé de marcher physiquement sur le terrain. ([Page du projet ROAM](https://roam-hiking.github.io/) ; [article arXiv](https://arxiv.org/abs/2611.25215))

 La page du projet met en avant deux parcours extérieurs plus longs : une démonstration de 2,4 km à Seealpsee et une autre de 10,1 km à Zermatt. Ces distances témoignent d’une exécution prolongée d’un itinéraire, plutôt que d’un unique pas réussi ou d’une brève réaction visuelle. Le parcours de Zermatt comprenait du gravier, des rochers, de l’herbe, des rives de lacs et des voies ferrées ; celui de Seealpsee suivait une boucle autour d’un lac de montagne. Le résultat est intéressant précisément parce que le système devait continuer à intégrer un contexte visuel changeant tout au long du parcours, et non simplement classifier une image isolée. Ces sorties établissent toutefois une capacité démontrée dans les conditions rapportées, pas la garantie que le robot puisse naviguer sur n’importe quel sentier comparable ou interpréter correctement chaque panneau.

 Les essais sur le terrain montrent aussi pourquoi le terme « autonome » doit être interprété avec prudence. ROAM est présenté comme ayant effectué des randonnées de plusieurs kilomètres avec une intervention minimale, et les vidéos les plus longues montrent le robot exécuter son itinéraire plutôt qu’être piloté à distance en continu. Cela étaye une affirmation précise : la boucle de navigation peut faire progresser la plateforme dans des environnements réels étendus, en utilisant des informations sémantiques pour décider où aller. Cela ne prouve ni une autonomie polyvalente, ni un fonctionnement indéfini sans supervision, ni une récupération fiable après chaque défaillance de perception ou de contrôle. Une démonstration réussie reste limitée par son itinéraire, son équipement, sa configuration et les situations représentées durant le test.

 La répartition des tâches est essentielle pour comprendre le résultat. Le modèle vision-langage ne commande pas directement les articulations du robot. Il décrit plutôt le terrain et les dangers visibles, attribue un niveau de risque sémantique et fournit des informations que les modules en aval transforment en comportements de navigation et de locomotion. ROAM associe cette couche sémantique à des politiques apprises et préentraînées : l’une pour la navigation locale, l’autre pour la locomotion. Le dépôt du projet décrit une chaîne qui produit des images sémantiques fusionnées avec une carte d’élévation, que les politiques de navigation et de locomotion du robot peuvent exploiter. ([Dépôt de code de ROAM](https://github.com/leggedrobotics/roam))

 Cette architecture rend les démonstrations techniquement instructives. Un robot peut déjà marcher grâce à un contrôle appris, mais marcher correctement ne revient pas à choisir l’itinéraire socialement ou physiquement pertinent. Les exemples de terrain montrent que la couche sémantique modifie le sens de terrains pourtant similaires. Des panneaux urbains peuvent indiquer au robot de quitter un chemin ; des voies ferrées peuvent rendre un côté de l’itinéraire préférable ; la fumée modifie les conditions visuelles dans lesquelles les décisions sont prises. Lors de la traversée du projet, de l’intérieur vers l’extérieur, le même système passe d’un bâtiment à des zones du campus, puis à des champs, des sentiers forestiers et des chemins agricoles, tandis que les étiquettes visuelles évoluent avec l’environnement. Les éléments disponibles portent donc sur la continuité du système entre différents lieux, et pas seulement sur ses performances dans un environnement spécialement réglé.

 Le rôle des politiques préentraînées fixe une limite supplémentaire. ROAM fait l’interface entre le raisonnement visuel et linguistique à domaine ouvert et le contrôle physique appris ; il ne remplace pas les mécanismes de locomotion. La capacité du robot à effectuer des pas stables dépend toujours de politiques entraînées pour le déplacement, tandis que le composant sémantique aide à déterminer quelles zones privilégier, éviter ou considérer comme infranchissables. Les essais sur le terrain montrent que ces composants peuvent être couplés sur une plateforme robotique quadrupède en mouvement. Ils ne montrent pas que le modèle de langage comprend à lui seul le terrain, planifie un itinéraire complet et contrôle le corps à partir de pixels bruts.

 Pris ensemble, ces démonstrations établissent un résultat de recherche crédible : un guidage sémantique peut être relié à un robot quadrupède sur des itinéraires extérieurs de plusieurs kilomètres et dans un large éventail de scènes naturelles, urbaines, intérieures ou soumises à une visibilité dégradée. Le recours minimal à l’intervention humaine et l’achèvement des itinéraires constituent des indices importants de l’intégration du système. Ils ne doivent pas être transformés en preuve d’une autonomie robuste dans toutes les conditions météorologiques, situations d’éclairage, catégories de terrain ou contextes de signalisation. La conclusion la plus solide est plus limitée : ROAM montre qu’un modèle vision-langage peut fournir des jugements utiles de haut niveau à une architecture de navigation dont la cartographie rapide et précise, ainsi que le contrôle appris, restent responsables des mouvements.

 ## Pourquoi les cartes de risques sémantiques sont utiles — et restent fragiles

 Une carte construite uniquement à partir de la géométrie peut répondre à une question importante mais incomplète : où le robot peut-il poser physiquement ses pieds ? Elle peut représenter les pentes, les vides, les obstacles et d’autres propriétés déduites de la forme ou de la profondeur. En revanche, elle ne peut pas exprimer de manière fiable, à elle seule, pourquoi deux surfaces qui semblent tout aussi praticables devraient conduire à des décisions différentes. L’eau peut être indésirable même si sa surface paraît plane. Les herbes hautes peuvent dissimuler un terrain difficile à évaluer avec la seule géométrie. Un sentier fermé, un panneau d’avertissement ou un balisage de travaux peut modifier l’itinéraire sans changer la forme immédiate du sol. Dans ces situations, le problème de navigation ne consiste pas seulement à trouver un espace libre ; il faut aussi interpréter ce que cet espace signifie dans son contexte.

 C’est là que réside l’intérêt, pour le lecteur, de la conception de ROAM fondée sur une carte de risques sémantique. Le modèle vision-langage peut associer une signification pertinente pour la tâche à ce que voit le robot, tandis que la segmentation à vocabulaire ouvert aide à projeter ce jugement sur des zones spatiales plutôt qu’à le laisser sous la forme d’une phrase ou d’une simple étiquette. Une politique de navigation en aval peut alors traiter ces zones comme coûteuses, préférables ou risquées, tout en s’appuyant sur des politiques apprises distinctes pour le suivi de l’itinéraire et la locomotion. Cette organisation donne au modèle de langage un rôle utile sans lui demander de calculer chaque action motrice. Le système peut ainsi combiner l’interprétation de la scène avec les mécanismes géométriques et de contrôle qui gèrent déjà les déplacements.

 Cette distinction est importante, car un jugement sémantique est par nature moins stable que la mesure d’une caractéristique physique locale. Une estimation de profondeur ou une variation d’altitude peut être confrontée aux capteurs du robot et à sa carte. Le sens d’un panneau dépend de la reconnaissance de son contenu visuel et de sa relation avec l’itinéraire. L’importance de l’eau, de la végétation, de la fumée ou d’un chemin bloqué dépend de la tâche et de ce que le robot est censé éviter. Un modèle peut remarquer l’objet pertinent, mais lui attribuer une priorité erronée, n’en détecter qu’une partie ou ne pas conserver cette distinction lorsque la scène change. Une carte de risques rend ce jugement exploitable, mais elle ne garantit pas par construction que le jugement est correct.

 Les chercheurs identifient directement cette limite de fiabilité. Le projet n’est pas présenté comme la preuve qu’un modèle vision-langage a résolu la navigation extérieure, et l’article examine les problèmes qui subsistent autour de la fiabilité du raisonnement vision-langage et du raisonnement spatial. Ces limites sont particulièrement importantes dans un système qui transforme une interprétation en signal spatial dense. Une erreur dans une légende peut être visible pour un lecteur humain et facile à remettre en question. Une erreur dans une carte de risques peut au contraire ressembler à une préférence de navigation ordinaire, amenant le robot à emprunter un itinéraire plus long, à éviter un terrain utile ou à ne pas réagir à un danger pertinent. La séparation entre raisonnement sémantique et contrôle réduit le risque de demander au modèle de produire directement des commandes de mouvement, mais elle ne dispense pas de valider la couche sémantique.

 C’est pourquoi il vaut mieux considérer ROAM comme une démonstration architecturale que comme une garantie générale concernant les modèles de fondation déployés dans le monde réel. Sa contribution consiste à montrer comment des jugements visuels et linguistiques de haut niveau peuvent être reliés à une cartographie conventionnelle et à une locomotion apprise, sans remplacer ces composants. La question reste de savoir avec quelle régularité cette connexion fonctionne selon l’éclairage, les points de vue, l’apparence du terrain, les panneaux et les combinaisons inédites d’indices. La réussite d’un itinéraire sur le terrain démontre que l’ensemble du pipeline peut fonctionner dans le contexte testé ; elle n’établit pas que les mêmes décisions sémantiques resteront fiables chaque fois que l’environnement présentera une nouvelle ambiguïté.

 Pour l’évaluation, la question la plus révélatrice n’est donc pas simplement de savoir si le robot atteint sa destination. Il faut déterminer si la carte sémantique améliore des décisions qu’un système fondé uniquement sur la géométrie aurait du mal à prendre, et si ses erreurs peuvent être détectées et corrigées. Cela suppose de mesurer les erreurs liées aux dangers et aux panneaux en parallèle de la réussite des itinéraires, d’examiner la fréquence des interventions humaines et de tester des parcours répétés dans des conditions visuelles différentes. Il faut aussi comparer les différentes composantes afin d’isoler l’origine du gain : que doit-on à l’interprétation sémantique, que doit-on aux politiques de navigation et de locomotion préentraînées, et que peut-on obtenir avec les seules informations géométriques ? ROAM rend cette limite explicite — et en fait le problème d’ingénierie central de la prochaine étape de la recherche.

 ## Qui devrait s’y intéresser et que tester ensuite

 ROAM concerne surtout les équipes qui travaillent dans des lieux où la carte d’un robot peut devenir obsolète plus vite que le terrain ne peut être relevé. Les itinéraires d’inspection, les opérations de recherche et de sauvetage, les sites industriels et les installations extérieures comportent tous des indices difficiles à réduire à la seule géométrie : un panneau peut réorienter la circulation, une zone de végétation peut être indésirable malgré son apparence praticable, et un chemin familier peut ne plus être l’option la plus sûre. La contribution de ROAM est de rendre ces indices accessibles à la pile de navigation sans demander à un modèle vision-langage de piloter directement les pattes du robot. Le modèle fournit des jugements sémantiques ; la cartographie conventionnelle ainsi que les politiques apprises de navigation et de locomotion restent chargées de les traduire en mouvements.

 Cette répartition des rôles définit aussi la bonne manière d’évaluer le résultat. Une démonstration réussie montre que le robot peut utiliser des informations sémantiques pendant l’exécution d’un itinéraire, mais elle ne suffit pas à établir une autonomie généraliste. Les démonstrations de recherche et les vidéos du projet montrent que cette architecture peut fonctionner dans des environnements variés, notamment sur des sentiers, en forêt, dans l’herbe, sur des routes, dans des espaces intérieurs, dans la fumée, sur des voies ferrées et face à des panneaux urbains. Il faut les lire comme des tests d’un système particulier, assemblé à partir d’un modèle vision-langage, d’une segmentation à vocabulaire ouvert, de la construction de cartes de risques et de politiques de contrôle préentraînées — et non comme la garantie que le même comportement se transférera sans changement à tous les sites ou toutes les conditions d’exploitation.

 Pour les professionnels, la première question n’est donc pas de savoir si un modèle de fondation peut « comprendre » une scène dans l’abstrait. Il faut déterminer si ses jugements améliorent les décisions du robot dans les situations où un système fondé uniquement sur la géométrie manque de certitude. L’évaluation devrait indiquer le taux d’intervention et préciser ce que recouvrent ces interventions : une correction humaine, l’arrêt d’un itinéraire, un comportement de récupération ou une modification du chemin choisi. Elle devrait mesurer séparément les erreurs liées aux panneaux, aux dangers, aux terrains privilégiés et aux zones interdites. Un taux de réussite global peut masquer la différence entre une erreur sémantique sans conséquence et une erreur qui dirige le robot vers une zone dangereuse ou fermée.

 L’évaluation devrait également couvrir les conditions susceptibles de modifier la perception sémantique. La météo et l’éclairage doivent faire l’objet d’un traitement explicite, tout comme les points de vue qui rendent les panneaux ou les dangers partiellement dissimulés. La reproductibilité compte : un même itinéraire devrait être testé plusieurs fois afin qu’un résultat ne soit pas attribué à une séquence d’observations favorable. Les chercheurs et les acheteurs devraient documenter la plateforme robotique, les capteurs, la puissance de calcul nécessaire pour exécuter le système et les capacités provenant de politiques préentraînées. Ces informations déterminent si un comportement rapporté est reproductible et si l’architecture peut être évaluée indépendamment d’une configuration matérielle et logicielle particulière.

 Une référence fondée uniquement sur la géométrie est indispensable. Sans elle, il serait impossible d’attribuer une amélioration au composant vision-langage plutôt qu’à la conception de l’itinéraire, au réglage ou à la politique de locomotion sous-jacente. La comparaison doit utiliser la même plateforme et des capacités de détection globalement comparables, puis examiner où la carte des risques sémantiques modifie l’itinéraire choisi et si ces changements réduisent les interventions ou les erreurs face aux dangers. Il est tout aussi important de consigner les cas où le modèle de langage est incertain, manque de précision spatiale ou se trompe tout simplement. Les chercheurs recensent la fiabilité et le raisonnement spatial parmi les limites persistantes : ces échecs font donc partie du résultat, et non d’exceptions gênantes à écarter.

 La leçon générale est mesurée, plutôt que révolutionnaire. ROAM propose une interface crédible entre le jugement sémantique de haut niveau et le contrôle physique de bas niveau : une perception guidée par le langage peut influer sur la direction prise par un robot quadrupède, tandis que la locomotion apprise reste responsable de sa façon de marcher. L’étape suivante ne consiste pas à supprimer cette séparation, mais à en tester systématiquement les limites — selon les itinéraires, les conditions, le matériel et les références de comparaison. Si de futures évaluations font apparaître moins d’interventions et moins d’erreurs lourdes liées aux panneaux ou aux dangers, sans exigences déraisonnables en matière de détection et de calcul, cette architecture pourrait devenir un schéma utile pour naviguer dans des environnements changeants. En attendant, sa principale affirmation est plus étroite, mais aussi plus utile : les cartes de risques sémantiques offrent une voie de recherche concrète pour donner du sens à une navigation tenant compte du terrain, tout en laissant ouverte la question difficile de l’autonomie physique fiable.
