Robostral Navigate dari Mistral kemudikan robot cukup dengan satu kamera

Mistral merilis Robostral Navigate, model embodied pertamanya, dan pilihan desain yang menonjol adalah betapa sedikit yang perlu dilihatnya. Sistem 8B ini menggerakkan robot dari satu kamera RGB plus instruksi bahasa alami, tanpa LiDAR dan tanpa sensor kedalaman. Cara kerjanya dengan memprediksi satu titik tujuan, lalu beralih ke perintah pergeseran lokal ketika target langsung tidak jelas, sehingga model bahasa tetap memegang keputusan tingkat tinggi sementara pengendali yang lebih sederhana menangani langkah terakhir.

Angkanya bersaing dengan sistem yang jauh lebih berat. Robostral Navigate melaporkan tingkat keberhasilan 76,6 persen di lingkungan validasi yang belum pernah dilihat dan 79,4 persen di lingkungan yang sudah dikenal, mengungguli pendekatan kamera tunggal terbaik sebesar 9,7 poin dan, lebih mengejutkan, melampaui sistem multi-sensor sebesar 4,5 poin. Mencapai itu tanpa perangkat keras kedalaman adalah bagian yang patut dicatat, sebab menurunkan biaya dan kerumitan robot yang bisa menjalankannya.

Resep pelatihannya juga konkret. Model ini belajar dari sekitar 400.000 trajectory simulasi di 6.000 scene, memakai prefix-caching untuk memangkas penggunaan token sekitar 22 kali lipat, dan menambah satu putaran reinforcement learning online dengan metode CISPO untuk tambahan 3,2 persen. Model navigasi berbasis kamera saja dan dikondisikan bahasa, dari lab yang dikenal lewat model teks, adalah sinyal jelas bahwa lab frontier mulai masuk ke robotika, bukan sekadar mengamatinya.

Kenapa ini penting

Kalau kamu bekerja di robotika, sebuah policy yang menavigasi dari satu kamera murah dan instruksi bahasa sehari-hari memperluas ragam perangkat keras yang mampu menjalankan navigasi yang andal, tanpa anggaran sensor kedalaman. Resep sim-to-real-nya, lengkap dengan jumlah trajectory dan langkah RL, cukup spesifik untuk kamu bandingkan dengan pipeline milikmu sendiri.