MistralのRobostral Navigate──単眼カメラだけで動くロボットAIが示すPhysical AIの次段階

Mistral AIは、ロボット向けのナビゲーションモデル「Robostral Navigate」を発表した。8B規模のモデルで、RGB画像と自然言語の指示を入力に、ロボットを複雑な環境の中で自律移動させる。

特徴は、LiDARや深度センサー、複数カメラに頼らず、単一のRGBカメラだけで高い性能を示した点だ。Physical AIが、専用センサー前提の研究から、より安価で汎用的な実装へ近づいている。

何ができるモデルなのか

Robostral Navigateは、「ロビーを出て廊下を進み、備品室に入り、2番目の棚の前で止まる」といった長い自然言語指示を処理する。Mistralによると、R2R-CEの未知環境ベンチマークで76.6％の成功率を記録し、単眼方式だけでなく、深度や複数カメラを使うシステムも上回ったという。

モデルは、現在のカメラ画像内で次に向かうべき地点を「指し示す」方式を中心に使う。対象が視野外にある場合は、ロボット座標系での移動量へ切り替える。

単眼化が意味すること

ロボットが高価なセンサー構成を必要とするほど、導入先は限られる。単一カメラで動けるなら、倉庫、店舗、オフィス、ホテル、配送など、既存環境への展開ハードルが下がる。

ただし、発表された性能はベンチマークやデモの文脈で読む必要がある。実世界では、照明、反射、人の混雑、床の状態、緊急停止、安全認証など、モデル性能以外の条件が大きく効く。

Physical AIは業務AIとつながる

Robostral Navigateが示すのは、ロボットが人間の自然言語指示を理解し、環境を見ながら作業する方向性だ。これは、チャットや文書作成のAIとは別領域に見えるが、実際にはエージェント化の延長にある。

日本企業にとっては、物流、製造、小売、介護、施設管理での省人化と安全性の両立が焦点になる。Physical AIはまだ導入に時間がかかるが、単眼カメラでの自律移動が進むほど、ロボット導入の経済性は大きく変わる可能性がある。

参考：Mistral AI