该论文旨在解决大型语言模型(LLM)与具身智能体(embodied agents)结合时存在的关键问题：语义理解(semantic understanding)与物理执行(physical execution)之间的鸿沟。现有视觉-语言-动作(Vision-Language-Action, VLA)和视觉-语言-导航(Vision-Language-Navigation, VLN)系统在处理长视野(long-horizon)、顺序性(sequential)和时间结构化(temporally structured)任务时仍存在困难。现有框架通常采用模块化流水线(modular pipelines)，导致实验验证和策略优化(policy optimization)成本高昂。
论文提出了一个名为ROSClaw的异构多智能体协作框架。其核心方法包括：
- 构建一个统一的视觉语言模型(Vision-Language Model, VLM)控制器，将策略学习(policy learning)与任务执行(task execution)集成在一起。
- 利用异构机器人的e-URDF表示作为物理约束(physical constraints)，构建从仿真到现实(sim-to-real)的拓扑映射(topological mapping)，实现对仿真和现实智能体物理状态的实时访问。
- 引入数据收集和状态累积机制(data collection and state accumulation mechanism)，在现实世界执行过程中存储机器人状态、多模态观测(multimodal observations)和执行轨迹(execution trajectories)，以支持后续的迭代策略优化(iterative policy optimization)。
- 在部署时，通过一个统一的智能体维持推理与执行之间的语义连续性(semantic continuity)，并动态地将任务特定控制(task-specific control)分配给不同的智能体。
论文的核心创新点在于提出了一个集成的、自主闭环的(autonomous closed-loop)异构多智能体协作框架，其独特之处包括：
- **统一的VLM控制器与物理约束集成**：不同于传统的模块化流水线，ROSClaw将策略学习与执行统一在一个VLM控制器下，并创新性地利用e-URDF作为物理约束来桥接仿真与现实，实现了语义与物理层面的紧密耦合。
- **支持持续学习的执行-数据收集闭环**：框架在执行过程中自动收集多模态数据与状态轨迹，为后续的策略优化提供数据，形成了一个“执行-学习”的自主闭环，显著降低了策略迭代成本。
- **动态异构智能体任务分配与语义连续性保持**：统一的智能体能够在推理和执行阶段保持语义连续性，并动态地将控制权分配给最适合的异构机器人，从而提升了多策略执行(multi-policy execution)的鲁棒性(robustness)。
- **最小化对特定机器人开发流程的依赖**：通过建立自动化框架，支持硬件级验证、SDK级控制程序的自动生成和基于工具的执行，实现了技能的快速跨平台迁移和持续改进。
论文对该领域的整体贡献是：
- 提出了一个名为ROSClaw的新型层次化语义-物理框架(hierarchical semantic-physical framework)，有效弥合了语义推理与物理执行之间的差距。
- 通过构建仿真到现实的拓扑映射和集成数据收集机制，为实现机器人技能的持续学习(continual learning)和迭代优化提供了一个可行的技术路径。
- 通过统一的智能体设计和动态任务分配机制，提升了异构多智能体在复杂、长视野任务中协作的鲁棒性和效率。
- 所提出的自主闭环框架降低了机器人系统开发和策略优化的门槛与成本，有助于推动具身人工智能(embodied AI)和机器人学(robotics)在现实场景中的广泛应用。