Mistral zaprezentował 8 lipca 2026 roku Robostral Navigate, 8-miliardowy model vision-language przeznaczony do nawigacji robotów w świecie fizycznym. System otrzymuje obraz z kamery oraz polecenie w języku naturalnym, a następnie wskazuje kolejne miejsca, w kierunku których robot powinien się poruszać. Najbardziej interesujące jest to, że model ma działać z pojedynczą standardową kamerą RGB i nie wymaga obowiązkowego LiDAR-u, kamery głębi ani zestawu wielu kamer.
Robostral Navigate jest przykładem tzw. embodied AI, czyli sztucznej inteligencji, która nie ogranicza się do analizy danych na ekranie, lecz wspiera urządzenie wykonujące działania w fizycznym otoczeniu. Mistral opisuje model jako rozwiązanie możliwe do wykorzystania na różnych typach platform – od robotów kołowych i kroczących po urządzenia latające. Dzięki temu ten sam model ma być łatwiejszy do przenoszenia między konstrukcjami niż system zaprojektowany od początku dla jednego robota.
Jak robot ma nawigować na podstawie jednej kamery?
Model analizuje obraz z kamery i interpretuje polecenie użytkownika, np. dotyczące przejścia do konkretnego miejsca albo odnalezienia obiektu. Następnie wskazuje kolejne waypointy, czyli punkty na obrazie prowadzące robota w odpowiednim kierunku. To inne podejście niż klasyczne systemy nawigacji oparte na szczegółowej mapie przestrzeni i rozbudowanym zestawie czujników. Robostral próbuje część tego problemu rozwiązać poprzez połączenie rozumienia obrazu i języka.
Według materiałów Mistrala trening wykorzystał około 400 tys. trajektorii w 6 tys. symulowanych scen. Firma podaje również wynik 76,6% na R2R-CE validation unseen. Takie benchmarki nie oznaczają oczywiście, że robot wyposażony w model poradzi sobie bezbłędnie w dowolnym magazynie czy domu, ale pokazują, że modele vision-language są coraz poważniej traktowane jako warstwa sterująca systemami poruszającymi się w przestrzeni.
Gdzie Robostral Navigate może mieć zastosowanie?
| Obszar | Przykładowe zastosowanie |
|---|---|
| Magazyny | Nawigacja robotów transportujących towary pomiędzy strefami. |
| Logistyka | Poruszanie się autonomicznych platform po halach i terminalach. |
| Roboty usługowe | Dojazd do wskazanego miejsca w hotelu, biurze lub obiekcie publicznym. |
| Roboty mobilne | Interpretowanie poleceń użytkownika bez tworzenia osobnego systemu dla każdej konstrukcji. |
| Drony i urządzenia latające | Łączenie obrazu z kamery z poleceniami opisanymi naturalnym językiem. |
Szczególnie ciekawy jest potencjalny koszt sprzętu. LiDAR i dodatkowe sensory są w wielu zastosowaniach bardzo użyteczne, ale zwiększają złożoność oraz cenę urządzenia. Jeśli część prostych zadań nawigacyjnych będzie można wykonywać przy użyciu zwykłej kamery i modelu AI, otworzy to drogę do tańszych konstrukcji. Nie oznacza to, że kamera RGB zastąpi wszystkie inne sensory – w systemach wymagających wysokiej niezawodności dodatkowe źródła danych nadal mają ogromne znaczenie.
AI wychodzi z ekranu do świata fizycznego
Robostral Navigate jest ważny przede wszystkim jako przykład kierunku rozwoju modeli multimodalnych. Ten sam typ technologii, który dziś analizuje zdjęcia i odpowiada na pytania, może być wykorzystywany do sterowania ruchem urządzenia. To przesuwa ciężar z generowania treści na podejmowanie decyzji w świecie fizycznym. Jeżeli vision-language models będą coraz lepiej radziły sobie z orientacją, planowaniem i rozumieniem otoczenia, robotyka stanie się jednym z najważniejszych obszarów wdrażania kolejnej generacji AI.
Źródła
