Robostral Navigate - Mistral AI 推出的具身智能导航模型

Robostral Navigate是什么

Robostral Navigate 是 Mistral AI 推出的首个具身智能导航模型，用一个普通 RGB 摄像头可让机器人在复杂环境中自主导航。模型参数规模为 8B，在 R2R-CE 基准测试的未知环境上达到 76.6% 成功率，超越多传感器方案。模型通过指向预测目标位置，结合强化学习持续优化，可泛化到轮式、足式和飞行机器人，适用制造、物流、酒店等场景。

Robostral Navigate的主要功能

• 单目视觉导航：仅依赖单个 RGB 摄像头，无需激光雷达或深度传感器，即可在复杂室内外环境中自主导航。
• 自然语言指令跟随：接收如离开大厅，穿过走廊，进入储藏室等长程语言指令，驱动机器人完成端到端任务。
• 跨平台泛化：可部署于轮式、足式和飞行机器人，能适应不同尺寸和摄像头内参差异。
• 动态避障与适应：在充满人员和障碍物的真实未知空间中移动，具备实时避障能力。
• 持续自我改进：通过在线强化学习从试错中学习，缓解行为克隆中的分布偏移问题。

Robostral Navigate的技术原理

• 基于”指向”的导航策略：模型通过预测目标位置在当前摄像头视角中的图像坐标及预期朝向来引导移动，天然对不同摄像头内参和世界尺度变化具有鲁棒性。当目标超出视野时，模型会回退到基于局部坐标系的位移指令。
• 完全自主构建与数据生成：不依赖现有开源 VLM，从专用于指代、计数和物体定位的视觉语言模型初始化。在仿真环境中构建了高效数据流水线，生成约 40 万条轨迹、覆盖 6000 个场景的数据集。
• 前缀缓存高效训练：采用基于树的注意力掩码策略，将整个回合压缩为单个序列，一次前向传播训练所有时间步。相比传统方式 token 数减少 22 倍，将原本数月的训练缩短至数天。
• 在线强化学习优化：监督训练后使用 CISPO 算法进行在线强化学习，使模型从失败中恢复并获取探索行为，成功率额外提升 3.2%。

如何使用Robostral Navigate

Robostral Navigate 尚处于模型发布阶段，暂未提供使用入口。

Robostral Navigate的核心优势

• 硬件极简：单 RGB 摄像头方案大幅降低硬件成本和部署门槛，比多传感器方案更易规模化。
• 性能领先：在 R2R-CE 未知数据上 76.6% 成功率，超越最佳单摄像头方案 9.7 个百分点，超越最佳多传感器方案 4.5 个百分点。
• 训练效率极高：前缀缓存技术将训练 token 压缩 22 倍，训练周期从数月降至数天。
• 强泛化能力：从仿真到真实世界、跨机器人类型、跨摄像头参数均表现稳定。
• 持续进化：在线 RL 机制让模型在部署后仍能通过试错不断提升性能。

Robostral Navigate的项目地址

• 项目官网：https://mistral.ai/news/robostral-navigate/

Robostral Navigate的同类竞品对比

维度Robostral NavigateLingBot-VLA 2.0发布方Mistral AI蚂蚁集团（Robbyant）模型定位具身导航专用模型视觉-语言-动作（VLA）基础模型核心任务环境自主导航（Navigation）精细操作 + 长程移动操作（Manipulation）传感器输入仅单 RGB 摄像头多模态（视觉、深度、机器人本体状态）架构特点前缀缓存高效训练 + 在线 RLSparse MoE 稀疏混合专家架构训练数据仿真生成 40 万轨迹 / 6000 场景5 万小时真实机器人数据 + 1 万小时自我中心视频动作输出图像坐标”指向” + 位移回退统一动作空间（臂、夹爪、腰、头、手、移动）跨平台泛化轮式 / 足式 / 飞行机器人20 种不同机器人形态训练效率前缀缓存压缩 22 倍 token，数月→数天MoE 激活参数解耦，同等算力下容量十倍扩展开源情况未开源，需商务接洽开源（GitHub + arXiv 论文 + 权重）

Robostral Navigate的应用场景

• 智慧物流仓储：机器人根据前往 B 区第三货架取货等指令，在仓库中自主导航并完成拣选。
• 商业楼宇配送：写字楼、医院场景中，配送机器人按楼层和房间号指令完成快递或药品送达。
• 制造业产线巡检：在工厂复杂环境中，按”检查 2 号产线末端设备”指令自主移动并反馈状态。
• 酒店服务引导：接待机器人根据”带客人去 1208 房间”指令，在动态人流环境中完成引导。
• 室外设施巡检：无人机或轮式机器人按”检查东侧围栏第三区域”指令完成户外设施巡查。