概要
- Robostral Navigate は、単一のRGBカメラのみで動作する8Bナビゲーションモデル
- R2R-CEベンチマークで 76.6% の成功率を達成し、従来の複数センサー方式を上回る性能
- シミュレーションデータと トークン効率的訓練 で構築、ロボットの種類や未知の障害物にも対応
- ポインティングベースのナビゲーション と強化学習を組み合わせ、継続的な性能向上を実現
- 製造、物流、ホスピタリティなど多様な分野での応用可能性
Robostral Navigateの概要
- Robostral Navigate は、エンボディドナビゲーション向けに開発された初のモデル
- 8Bパラメータ を持ち、RGB画像と自然言語指示を入力としてロボットを自律移動させる仕組み
- 例：「ロビーを出て、廊下を通り、備品室に入り、2番目の棚の前で停止」
- 他モデルは 深度センサーやLiDAR、複数カメラ を必要とするが、本モデルは 単一RGBカメラのみで動作
- R2R-CE（Room-to-Room in Continuous Environments）ベンチマークで 未学習環境76.6% の成功率を記録
- 最良の単一カメラ方式より 9.7ポイント、複数センサー方式より 4.5ポイント 高い性能
特徴と応用範囲
- オフィス、住宅、商業施設、屋外環境 など、複雑な空間での自律ナビゲーションを実現
- 製造、配送、物流、ホスピタリティ 分野での幅広い応用
- 指示を一度与えるだけで、未知の障害物や人がいる実環境でも 完全自律でタスクを完遂
- ホイール型、脚型、飛行型 など多様なロボットに対応、カメラ仕様の違いにもロバスト
技術的ハイライト
- R2R-CEベンチマーク での最先端性能
- 検証済み環境： 79.4%成功率
- 未学習環境： 76.6%成功率
- 深度センサーやLiDAR不要、単一RGBカメラのみで動作
- シミュレーションのみで訓練、推論もリアルタイムで実行可能
- トークン効率的訓練 （prefix-caching）、訓練トークン数を 22倍削減
- ポインティングナビゲーション ：画像座標で目的地と方角を指定
- 視野外の場合は ローカル座標系での移動命令 にフォールバック
モデル構築と訓練手法
- 完全自社開発、既存のオープンソースVLM（Vision-Language Model）非依存
- グラウンディング特化型VLM を初期化、ナビゲーション能力を自然に拡張
- シミュレーションによるデータ生成パイプライン を独自構築
- 6,000シーン、約40万軌道 の大規模データセット
- prefix-cachingによる効率的訓練
- ツリー型アテンションマスキングでエピソード全体を1シーケンス化
- 時間ステップ間の情報リークを防止しつつ、全ステップ同時訓練
- 訓練期間を 数ヶ月→数日 に短縮
強化学習による継続的改善
- オンライン強化学習（CISPO） による性能向上
- 教師あり訓練後に 試行錯誤学習 を追加
- 失敗からのリカバリーや探索行動の獲得
- 通常の模倣学習で生じる 分布シフト問題 を緩和
- この工程だけで 成功率3.2%アップ
- 性能向上は継続中、さらなる訓練で向上見込み
今後の展望と採用情報
- Robostral Navigate は統合型エンボディドエージェントへの第一歩
- ナビゲーションは 汎用ロボティクスの基礎能力 として位置付け
- 大規模シミュレーション、効率的訓練、強力なグラウンディング の組み合わせで、コンパクトモデル＋単一カメラでも最先端性能を実現
- 研究者・エンジニア積極採用中
- オフィス、住宅、商業施設、屋外 など多様な環境での自律ナビゲーションを目指す仲間を募集
- 興味があれば チームまで連絡・応募歓迎
著者
- Théo Cachet, Arjun Majumdar, Srijan Mishra, Thomas Chabal, Chris Bamford, Elliot Chane-Sane, Benjamin Tibi, Ludovic Ho Fuh, Olivier Duchenne - AI Science Robotics