［開発者向け］Mistralが「Robostral Navigate」を発表——単眼カメラだけでロボットが自律移動する時代へ

2026-07-20

はじめに

　Mistral AIは2026年7月8日、単眼のRGBカメラのみでロボットを自律的に移動させるAIモデル「Robostral Navigate」を発表しました。本稿では、この発表内容をもとに、モデルの仕組みや性能、実用面での意義について解説します。

参考記事

タイトル: Introducing Robostral Navigate
著者: Mistral AI Robotics Team
発行元: Mistral AI
発行日: 2026年7月8日
URL: https://mistral.ai/news/robostral-navigate/

要点

Robostral Navigateは、単眼のRGBカメラのみで環境内を自律移動できる8Bパラメータの組み込み型AIモデルである
未知環境における指示追従を評価するベンチマークR2R-CEのvalidation unseenで76.6%の成功率を記録し、単眼カメラ方式の最高性能を9.7ポイント、深度センサーや複数カメラを用いる方式の最高性能を4.5ポイント上回った
学習はすべてシミュレーション環境内で行われ、約6,000シーン・40万件の移動軌跡から成るデータセットが用いられた
prefix-cachingと呼ばれる学習手法により、従来手法比で学習トークン数を22分の1に削減した
教師あり学習の後にオンライン強化学習(CISPO)を適用し、成功率をさらに3.2ポイント向上させた

詳細解説

単眼カメラだけで実現する自律移動

　Robostral Navigateは、ロボットにRGB画像と自然言語による指示を与えるだけで、目的地までの移動を自律的に実行できるモデルです。例えば「ロビーを出て廊下を通り、備品室に入って2番目の棚の前で止まってください」といった指示を、追加のセンサーなしで実行に移せます。

　多くの既存モデルは、深度センサーやLiDAR、複数台のカメラを組み合わせて空間を把握しますが、Mistral AIによれば、Robostral Navigateは通常のRGBカメラ1台のみで、未知の環境における指示追従を評価するベンチマーク「R2R-CE(Room-to-Room in Continuous Environments)」のvalidation unseenで76.6%の成功率を記録しました。これは単眼カメラ方式の最高性能を9.7ポイント、深度センサーや複数カメラを用いる方式の最高性能を4.5ポイント上回る数値です。

　センサー数を絞りながら高い性能を達成している点は、ハードウェアコストや導入の複雑さを抑えたい製造・物流・接客などの現場にとって、実用面での恩恵が大きいと考えられます。Googleも視覚情報を中心とした産業ロボットの自律性向上に取り組んでおり、視覚ベースのアプローチが業界的に広がりを見せていることがうかがえます。

ポインティングによるナビゲーション

　Robostral Navigateは、現在のカメラ画像と過去の観測履歴をもとに、次に移動すべき地点を「ポインティング(pointing)」という手法で予測します。目標地点をカメラの視野内の座標として示し、到着時に望ましい向きも同時に推定する仕組みです。座標のずれを距離で表す従来の手法と異なり、ポインティングはカメラの内部パラメータや世界のスケールが変わっても頑健に機能するとされています。

　ただし、目標地点が視野の外にある場合はポインティングが使えないため、その際はロボットのローカル座標系における移動量に切り替わります。例えば「前方に2メートル、左に1.5メートル移動し、左に25度回転する」といった指示に相当する形です。視野内・視野外いずれの状況にも対応できるよう、2つの手法を組み合わせた設計になっていると考えられます。

ゼロから構築されたモデルと学習手法

　Robostral Navigateは、既存のオープンソースVLM(視覚言語モデル)を流用せず、Mistral AIが独自に一から構築したモデルです。ポインティングや物体位置特定(グラウンディング)を専門とする同社の視覚言語モデルをベースに、ナビゲーション能力を追加で学習させる形で開発されました。

　学習データはすべてシミュレーション環境内で生成されており、約6,000のシーンにわたって収集された約40万件の移動軌跡が用いられています。また、学習アルゴリズムには「prefix-caching(接頭辞キャッシュ)」と呼ばれる手法が採用されており、木構造のアテンションマスキングによって1エピソード全体を1つのシーケンスに圧縮し、全タイムステップをまとめて1回の順伝播で学習できるようにしています。この工夫により、従来の1タイムステップごとに学習するアプローチと比較して、学習トークン数を22分の1に削減しながら学習信号を維持できたと報告されています。Mistral AIによれば、これにより本来は数か月かかっていた学習が数日で完了するようになったとのことです。

　教師あり学習の後には、CISPOと呼ばれるオンライン強化学習アルゴリズムを適用し、成功率をさらに3.2ポイント向上させています。Mistral AIは、この改善に頭打ちの兆候は見られておらず、追加の学習や実験によってさらなる性能向上が見込めると説明しています。

　効率的な学習パイプラインによって開発サイクルを大幅に短縮できる点は、NVIDIAが公開しているオープンなヒューマノイドロボット向け基盤モデルなどとも共通しており、シミュレーションを活用したロボット学習が急速に実用段階へ近づいていることを示す事例のひとつと言えそうです。

想定される活用範囲と今後の展開

　Robostral Navigateは、車輪型・脚型・飛行型など様々なロボットの機体で動作し、機体の違いを超えて汎化するとされています。また、カメラの内部パラメータの違いにも頑健であることから、製造・配送・物流・接客といった幅広い業種での活用が見込まれています。Mistral AIは、本モデルを「統合的な身体性AI(embodied AI)」実現への第一歩と位置づけており、今後もナビゲーション以外の身体性AI機能の拡張を進めていく方針を示しています。

まとめ

　Robostral Navigateは、単眼カメラのみで高精度な自律移動を実現し、シミュレーション学習と効率的な学習アルゴリズムによって開発期間の短縮にも成功した点が特徴的です。産業向けロボットの自律性については、Googleの取り組みも参考になりますので、あわせてご覧いただければと思います。センサー構成を絞りながら性能を高める方向性は、今後のロボティクス開発でも注目すべき流れだと思います。