Mistral、単眼カメラだけで動くロボットナビAIを発表──Physical AIの実用化が近づく

Mistral AIは、単一のRGBカメラと自然言語指示だけでロボットを移動させる8Bモデル「Robostral Navigate」を発表した。LiDARや深度センサーを使わず、未知環境のR2R-CEベンチマークで76.6%の成功率を示したとしている。

何が新しいのか

Robostral Navigateは、画像と言語指示を受け取り、ロボットが次に向かうべき位置と向きを画像上のポイントとして予測する。目標が視野外にある場合は、前方移動や旋回などローカル座標での指示に切り替える。

Mistralによると、モデルは完全に社内で構築され、約240万の軌跡、35万シーンのシミュレーションデータで学習された。prefix-cachingを使うことで、エピソード全体を効率よく学習し、さらにオンライン強化学習で成功率を3.2ポイント改善した。

ビジネスへの影響

ロボットが複雑な環境を移動するには、高価なセンサーや専用マップが必要になりがちだった。単眼カメラで動ける範囲が広がれば、製造、物流、配送、ホテル、施設管理などで導入コストを下げられる可能性がある。

これは、生成AIが画面内のアシスタントにとどまらず、現実空間で行動するPhysical AIへ広がる流れを示している。日本企業にとっては、ロボット本体だけでなく、AIモデル、シミュレーション、現場データ、運用監視を組み合わせた導入設計が重要になる。

注意点

ベンチマーク性能と現場性能は別物だ。人や障害物が多い環境、照明変化、通信遅延、安全停止、責任分界を含めて検証しなければならない。特に公共空間や工場では、人間の安全を最優先にした冗長設計が必要だ。

参考：Mistral AI公式発表