تتقدم الأبحاث في مجال تخطيط الروبوتات القائم على الرؤية واللغة بشكل ملحوظ، حيث تُستخدم نماذج الرؤية-اللغة (Vision-Language Models) لتحويل التعليمات والملاحظات البصرية إلى تسلسلات عمل قابلة للتنفيذ. لكن في بعض الأحيان، لا تكون الخطط المترجمة قادرة على التنفيذ بسلاسة. فمن الممكن لنموذج الرؤية-اللغة أن يشير إلى عناصر غير مرئية أو أن يختار أفعالًا تتطلب قدرات غير متاحة، مما يؤدي إلى انتهاك القيود النحوية أو القيود المتعلقة بالإجراءات.

هنا يأتي دور التكنولوجيا الجديدة CLAMP، التي تمثل إطار عمل متميز يدمج قيود متعددة تعزز من دقة التخطيط. يعتمد النظام على الأدلة المرئية المتاحة لتقييد الإشارات إلى العناصر التي يدعمها المشهد، بينما يحدد نموذج العمل الرمزي الانتقالات بين الحالات والأهداف. خلال عملية التشفير، تعمل الأقنعة الصعبة على استبعاد المرشحين غير الصالحين، بينما تُساهم وحدة التوقع المستندة إلى نموذج ماركوف المخفي (Hidden Markov Model - HMM) في إعادة وزن احتمالات المرشحين المتبقية بناءً على شروط القرار وإمكانية الوصول إلى الأهداف.

هذا النهج يمكّن المخطط من الحفاظ على الأولويات اللغوية للنموذج مع منع أي مرشحين غير مدعومين بصريًا أو غير آمنين من دخول الخطة. وللتكيف مع المهام والبيئات غير المرئية، يقوم CLAMP بتكييف HMM في وقت الاختبار باستخدام استمرارات خالية من الملصقات يتم أخذها من النموذج المجمد.

أظهرت التجارب على VLABench وSafeAgentBench وTaPA أن القيود المستندة إلى المشهد تُحسن من توطين العناصر والسلامة، بينما تظل معظم الإخفاقات المتبقية ناتجة عن أخطاء في الإدراك أو تحديد قيود غير متوازنة.