単眼カメラ1台でロボを言葉で誘導。Mistral初の身体性AI、成功率76.6%

Robostral Navigate は、Mistralが2026年7月8日に公開した初の身体性ナビゲーションモデルで、単眼カメラ1台と自然言語の指示だけでロボットを誘導します。

📖 この記事で分かること

• Mistralが単眼カメラだけでロボットを誘導するAIを公開
• 8Bで深度センサ・LiDAR不要、自然言語の指示で移動
• R2R-CEの未知環境で成功率76.6%、多センサ方式も上回る
• 重み公開・API・料金は現時点で未発表

💡 知っておきたい用語

• 身体性ナビゲーション: ロボットが地図を持たず、目の前のカメラ映像と言葉の指示だけで実世界を移動する技術

最終更新日: 2026年7月13日

▶ 公式ページ

• Robostral Navigate 公式発表(Mistral AI)

Mistralが踏み込んだ「身体性AI」

Mistralが2026年7月8日、初の身体性ナビゲーションモデル「Robostral Navigate」を公開しました。テキストや画像を生成するモデルとは異なり、ロボットを現実空間で動かすことに特化しています。

この記事のポイント

• Mistralが2026年7月8日、初の身体性モデル「Robostral Navigate」を公開(2026年7月時点)。
• 8Bパラメータで単眼RGBカメラ1台のみを使い、深度センサやLiDARを必要としない。
• 標準ベンチR2R-CEの未知環境で成功率76.6%。重み公開・API・料金は未発表。

Robostral Navigateは、カメラ映像と「ロビーを出て廊下を進み、備品室に入って2番目の棚の前で止まる」といった自然言語の指示を受け取り、ロボットをその通りに動かします。地図をあらかじめ与える必要がなく、初めての環境でも指示だけで移動できる点が特徴です。

単眼カメラ1台という割り切り

最大の要点は、センサ構成をカメラ1台に絞ったことです。多くのロボットナビゲーションは深度センサやLiDAR、複数カメラを組み合わせて周囲を把握します。Robostral Navigateは単一のRGBカメラ映像だけで判断し、カメラの内部パラメータの違いにも耐性を持たせています。

性能は視覚言語ナビゲーションの標準ベンチマークR2R-CEで測られ、学習済み環境(validation seen)で79.4%、未知環境(validation unseen)で76.6%の成功率を示しています。Mistralによれば、単眼カメラ方式の最良手法を9.7ポイント、深度・マルチカメラ方式を4.5ポイント上回ります。センサを減らしながら精度で上回った点が、この発表の核心です。

学習はすべてシミュレーション

Robostral Navigateは実機データを使わず、約40万軌跡・6,000シーンの完全なシミュレーションで学習されています。この規模の学習を現実的な時間で回すため、いくつかの工夫が組み合わされています。

prefix-cachingにより学習トークンを22分の1に圧縮し、tree-based attention-maskingでエピソード全体を1つの系列にまとめています。さらにCISPOと呼ぶオンライン強化学習を加えることで、成功率を3.2%押し上げたとされます。学習トークンを削ることは、学習コストと期間の短縮に直結します。

想定される使いどころ

Robostral Navigateは車輪型・脚型・飛行型のロボットで動作し、機体サイズを越えて汎化するとされています。想定用途として、製造・配送・物流・接客のほか、オフィスや住宅・商業施設、屋外環境が挙げられています。

一方で、重みの公開有無、API提供、ライセンス、料金は公式ページに記載がありません(2026年7月時点)。実際に自社のロボットへ組み込めるかどうかは、これらの条件が明らかになるまで判断できない状態です。

編集部の見方

編集部は、この発表で最も効くのは精度の数字そのものより「単眼カメラで多センサ方式を上回った」という構成の割り切りだと見ます。

• 根拠1: R2R-CEの未知環境で76.6%と、深度・マルチカメラ方式を4.5ポイント上回る(2026年7月時点)。センサを減らして精度で勝つのは、量産ロボットのコスト設計に直接効く。
• 根拠2: 学習が完全シミュレーションで、prefix-cachingにより学習トークンを22分の1に圧縮している。データ収集と学習の負担が軽く、機種展開を速めやすい。
• この見方が変わる条件: 重みやAPIが公開されないまま限られたパートナー向けに閉じたままなら、実装可能性の面で他のオープンな身体性モデルに主導権が移る。

現時点では「センサ構成を簡素にしたい現場」に刺さる方向性で、提供形態の続報が判断の分かれ目になります。

よくある質問

Q: Robostral Navigateは何ができますか?

A: 単眼RGBカメラの映像と自然言語の指示を受け取り、ロボットを目的地まで移動させます。事前の地図なしで、初めての環境でも指示通りに進める点が特徴です。

Q: どんなロボットで動きますか?

A: 車輪型・脚型・飛行型のロボットで動作し、機体サイズを越えて汎化するとされています。想定用途は製造・配送・物流・接客などです。

Q: 今すぐ使えますか?

A: 重みの公開、API、ライセンス、料金は公式ページに明記されていません(2026年7月時点)。利用条件は続報を待つ必要があります。

まとめ

Robostral Navigateは、単眼カメラ1台と自然言語だけでロボットを誘導するMistral初の身体性モデルです。R2R-CEの未知環境で76.6%の成功率を示し、多センサ方式を上回りました。学習は完全シミュレーションで、学習トークンを大幅に圧縮しています。提供形態はまだ不明で、実装可否はその公開待ちです。

【用語解説】

• R2R-CE: 視覚と言語による経路追従を測る標準ベンチマーク。指示文の通りに連続空間を移動できるかを成功率で評価する
• 単眼RGBカメラ: 深度情報を持たない一般的な1台のカラーカメラ。LiDARや複数カメラより安価で軽量
• オンライン強化学習: 実際に行動して得た結果から方策を更新する学習手法。ここでは移動の成功率向上に使われている

引用元:

• [1] Robostral Navigate: single-camera AI navigation(Mistral AI)
• [2] Mistral unveils Robostral model for robot navigation with RGB camera(TestingCatalog)

この記事について: AI 支援で執筆、編集部が事実確認・編集しています。誤りや追加情報があれば Contact よりお知らせください。