Ces robots utilisent les modèles de langage visuel pour comprendre et décrire leur environnement en langage naturel. Ils associent les informations visuelles (images) à des descriptions textuelles pour mieux naviguer et interagir avec leur environnement. Ces descriptions en langage naturel facilitent la communication entre les robots et les humains et permettent aux robots de mieux comprendre les tâches et les instructions données par les humains.