Mistral AI、単眼カメラで自律走行する「Robostral Navigate」発表

オフィスでロボットに荷物を運ばせようとすると、これまでは高価なLiDARや複数の深度カメラを頭上にぎっしり積むのが当たり前でした。Mistral AIはその高価なセンサー類をすべて省き、数千円の一般的な単眼カメラ1台だけで動かそうとしています。

Mistral AIは自社開発の身体化ナビゲーションモデル「Robostral Navigate」を発表しました。この8Bパラメータのモデルは、1台の標準的なRGBカメラの映像と自然言語の指示だけを頼りに、未知の環境内を自律移動できます。

未知の室内環境で指示に従うベンチマーク「R2R-CE」の検証において、Robostral Navigateは76.6%の成功率を記録しました。従来の最良な単眼カメラ手法を9.7ポイント上回っただけでなく、LiDARや深度センサーを複数組み合わせた最高峰のシステムに対しても4.5ポイントの差をつけて勝利しています。

座標計算ではなく「指差し」で進む

多くのロボット制御モデルは、物理空間の絶対座標やメートル単位の距離を厳密に計算しようとします。しかしこのやり方は、カメラの焦点距離が変わったり車高が上下したりするだけで判断が狂いやすくなります。

Mistralが採用したのは「ポインティング（指差し）」という手法です。現在のカメラ画像内でロボットが進むべき目的地のピクセル座標と到着時の向きを予測します。目標が視界外にある場合のみ、局所座標系で「前方に2メートル進み、左に25度旋回」といった相対移動指示へ切り替えます。

視覚的な目印を頼りに進むため、カメラの仕様差に強く、車輪型だけでなく四足歩行ロボットやドローンなど異なる形状の機体にもそのまま適用できるとされています。

数か月の学習をわずか数日に短縮

物理世界でロボットを動かして学習データを集めるのは時間も費用もかかります。そこで同社は35万の仮想シーンから約240万件の移動経路をシミュレーション上で生成し、完全にバーチャル空間で訓練を行いました。

膨大なデータを効率よく学習させるため、Mistralは大規模言語モデルの知見を投入しました。ツリー構造のアテンションマスクとプレフィックスキャッシング（prefix-caching）を用いて一連の動作を圧縮処理することで、学習に必要なトークン量を22分の1に削減。数か月を要するはずだった訓練期間を数日に短縮しています。

さらに「CISPO」と呼ばれるオンライン強化学習アルゴリズムを追加し、試行錯誤を通じて失敗から立ち直る探索動作を習得させました。この強化学習だけで成功率がさらに3.2ポイント向上したと報告されています。

なぜ重要か

この発表は、実用ロボットの普及を阻んできた最大の壁である「ハードウェアコスト」に正面から風穴を開けるものです。

これまで屋内の巡回や配送ロボットを実戦投入するには、高価なLiDARや厳密なセンサー補正が不可欠でした。Robostral Navigateが示したのは、安価な単眼RGBカメラと軽量な8Bモデル、そして洗練されたシミュレーション環境があれば、センサー満載の従来機を性能で打ち負かせるという事実です。倉庫や店舗向けに移動ロボットを開発しているチームなら、センサー削減によるBOM（部品表）コストの圧縮を今すぐ検証する価値があります。

業界全体にとっても、大規模シミュレーションとオンライン強化学習の組み合わせが、ロボティクスの世界でも決定的な武器になることが証明されました。ただし、暗闇や強い逆光、特徴のない真っ白な壁が続く廊下など、純粋な視覚情報が破綻する極端な環境下でLiDAR並みの安全性を保てるかどうかは、現場での実証を慎重に見極める必要があります。