Het automatiseren van de was is een grote uitdaging binnen de huishoudelijke robotica en vereist vooruitgang in perceptie, manipulatie en taakcoördinatie. Bestaande oplossingen richten zich op geïsoleerde taken en negeren de overgang tussen taken en de integratie in een samenhangende pijplijn. Een belangrijke beperking is het gebrek aan robots die hun prestaties kunnen evalueren en herstellen van fouten, wat essentieel is voor inzet in de echte wereld. Dit onderzoek ontwikkelt een robothelper voor autonome wasverwerking en richt zich op twee kernuitdagingen: (1) efficiënt leren van taken zoals sorteren, vouwen en stapelen, met herbruikbaarheid over verschillende kledingstukken en scenario’s, en (2) robuuste perceptiesystemen die kledij begrijpen met behulp van semantische informatie, waardoor hertraining voor elke nieuwe taak of kledingsoort tot een minimum wordt beperkt. Om deze uitdagingen aan te pakken, introduceert dit werk een high-level critic op basis van Vision-Language Models (VLM's) om de acties van de robot te monitoren, evalueren en bij te sturen. Door semantische perceptie te combineren met een high-level critic, overstijgt dit onderzoek taakgerichte automatisering en werkt het toe naar een geïntegreerd, flexibel systeem. De critic zorgt voor robuuste foutdetectie en efficiënter leren, waardoor volledig autonoom de was doen dichter bij realiteit komt en tegelijk robotische manipulatie voor bredere huishoudelijke en industriële toepassingen wordt verbeterd.