Mistral 发布 Robostral Navigate：靠单目摄像头导航，跑赢多传感器

让机器人穿过迷宫一样的办公室去储物间拿个包裹，以往要么在头上顶一个价值不菲的激光雷达，要么得前后左右架满深度相机。现在 Mistral 想把这些昂贵的传感器全部拆掉，只留一颗几十块钱的普通摄像头。

Mistral AI 正式推出了自研的具身导航大模型 Robostral Navigate。这个 80 亿参数（8B）的模型只凭单一 RGB 摄像头拍摄的画面，就能理解人类自然语言指令，带机器人穿过此前从未见过的真实建筑与走廊。

在业内通用的 R2R-CE（连续环境 Room-to-Room）基准测试中，Robostral Navigate 在训练未见过的测试场景（unseen）中拿下了 76.6% 的成功率。这个成绩不仅把目前最好的单目摄像头方案拉开了 9.7 个百分点，甚至比堆了深度传感器或多摄像头系统的最强方案还高出 4.5 个百分点。

像人类一样用手指路

大多数依赖视觉的导航模型，往往一上来就去算机器人在物理世界里具体位移了几米几厘米。这种纯测距算坐标的逻辑，一旦换一个焦距不同的镜头或者换个高矮不同的底盘，整个模型就很容易晕头转向。

Mistral 给这个 8B 模型换了一套思路，叫作「指路导航」（pointing）。它直接在机器人当前眼前的画面里预测目标位置的像素坐标，并指出到达后的朝向。只要目标在视野内，机器人就像看着远处的路标往前走，因此对摄像头的焦距和相机内参变化天然不敏感。

要是目标正好在视野盲区怎么办？这时候模型会自动切回兜底模式，给出机器人局部坐标系的相对位移，比如「向前走两米，左移一点五米，再向左转二十五度」。据官方介绍，模型支持轮式、足式乃至飞行机器人，不同体型的机器都能适配。

把几个月的训练压缩到几天

具身智能最大的痛点是真实世界数据又贵又危险。Mistral 这次全程都在仿真环境里练兵，一共采集了覆盖 35 万个场景的约 240 万条运动轨迹。

面对如此庞大的轨迹数据，Mistral 搬出了做语言模型的老本行，引入了基于前缀缓存（prefix-caching）的树状注意力掩码技术。它把机器人一整段长任务直接压缩进单个序列，一次前向传播就能算完所有时间步，同时防止未来信息泄漏。

这项技术把监督训练所需的 token 数量砍掉了 22 倍，硬生生把原本需要跑几个月的训练周期压缩到了几天完成。在此基础上，团队还套用在线强化学习算法 CISPO，让模型在试错中学会自己调整失误和探索路线，单是这一步就把任务成功率又往上推了 3.2 个百分点。

为什么重要

我们认为，Mistral 这一步走得相当务实，切中了当下具身机器人落地的最大死穴：成本与硬件门槛。

以往只要谈到让机器人室内自主巡检、送外卖或者巡逻，硬件清单里总少不了昂贵的激光雷达或多组传感器。这不仅拉高了硬件 BOM 成本，也增加了机械标定和维护的复杂度。Robostral Navigate 证明了只靠一颗最便宜的 RGB 摄像头，在纯仿真合成数据训练下，就能在复杂室内环境跑出顶尖水准。如果你是从事仓储、配送或巡检机器人的开发者，哪怕现在只是观望，也该意识到纯视觉端到端导航已经不再是遥远的玩具，拿普通硬件试跑的门槛正在急剧降低。

对整个具身智能行业来说，这也给各家机器人方案敲响了警钟。过去堆硬件传感器的路线固然稳妥，但大模型结合海量仿真训练之后，纯视觉方案展现出来的泛化和容错上限正在抹平传感器差距。不过隐患也同样存在，在强反光、全黑无光或完全缺乏纹理特征的极端环境下，单目纯视觉的可靠性究竟能否完全取代物理传感器，依然需要真实业务场景的长期检验。