単一カメラのみで自律移動を実現する80億パラメータのロボットナビゲーションモデル「Robostral Navigate」をMistral AIが発表

要点

• Mistral AIが、ロボットの自律移動を制御する初のモデル「Robostral Navigate」を発表した。

• 単一のRGBカメラと自然言語指示のみで動作し、LiDARや深度センサーは使用しない。

• 未知の環境におけるナビゲーションのベンチマーク「R2R-CE」で76.6%の成功率を記録し、従来モデルを上回った。

• シミュレーションを活用したデータ収集や、効率的なトレーニング手法により開発期間を大幅に短縮した。

• 教師あり学習に加えてオンライン強化学習を導入し、失敗からの回復や探索的な行動を習得させた。

• フランスのAIスタートアップMistral AIは、ロボットの自律移動を制御する80億パラメータのモデル「Robostral Navigate」を発表した。カメラ映像と自然言語の指示を入力として受け取り、複雑な環境内でロボットを目的地まで誘導する。同社にとって物理的な身体を持つAIである「エンボディドAI（実体化された人工知能）」の開発に向けた第一歩となる。

センサー依存からの脱却と最高水準の性能

従来のロボット自律移動システムでは、レーザーで距離を測定するLiDAR（ライダー：レーザー光を照射して物体の距離や形状を測定する技術）や深度センサー、複数カメラの連携が主流だった。これに対し、Robostral Navigateは一般的なRGBカメラ（通常のカラーカメラ）1基のみで動作する。

未知の環境で移動指示に従うベンチマーク「R2R-CE」では76.6%の成功率を達成。従来の単一カメラ手法を9.7ポイント、深度センサーや複数カメラを使う最良システムをも4.5ポイント上回る。

実証映像では、障害物や人が行き交うオフィスをロボットが完全に自律走行する様子が示された。車輪型、脚式、飛行型といった異なるロボットに対応し、サイズやカメラ特性の違いに対する堅牢性（環境の変化に強い性質）も備える。

「指さし」による移動予測

移動予測には「pointing（ポインティング：指さし）」という手法を用いる。現在のカメラ視野から目的地座標を特定し、到着時の向きを推論する仕組みだ。これによりカメラの性能差や縮尺の変化に影響されにくい安定した移動が可能になる。

目的地が視野の外にあるなど指さしが適用できない場合は、ロボットの局所座標系を基準とした距離と角度の指定（例：「前方2メートル、左1.5メートル進み、左へ25度回転」）に自動でフォールバック（代替手段への切り替え）する。

シミュレーションと効率的学習

本モデルは、オープンソースの視覚言語モデル（VLM：画像と言語を理解するAIモデル）を流用せず自社で構築された。物体の位置特定などを担う「グラウンディング（視覚情報と言語の結びつけ）」特化型モデルをベースに、移動能力を拡張する形で学習されている。

データ収集にはシミュレーション環境を利用し、6,000シーンから計約40万件の移動データを収集した。

トレーニングには「prefix-caching（プレフィックス・キャッシュ：以前の計算結果を保存・再利用して処理を高速化する技術）」を応用。木構造アテンションマスクによりエピソードを圧縮し、1回の順伝播（フォワードパス：モデルに入力を与え出力を得る処理）で全ステップを学習可能にした。これにより、必要なトークン数を22分の1に削減し、数ヶ月かかるトレーニングを数日に短縮した。

強化学習によるさらなる進化

教師あり学習の後、オンライン強化学習アルゴリズム「CISPO」を導入して調整を行った。試行錯誤を通じた失敗からの回復や探索行動を学習させ、移動成功率をさらに3.2%向上させたという。

同社は、現時点でも性能向上の頭打ち（プラトー：学習が進まなくなる停滞状態）は見られないとしており、さらなるトレーニングで精度を高められると自信を見せる。本モデルを「統一されたエンボディドAI」への第一歩と位置づけ、開発を加速させる方針だ。