Der kleine Roboter steht im Flur und schaut. Nicht mit einem Sensorwald, nicht mit einem drehenden LiDAR-Zylinder wie ein sehr teurer Leuchtturm, sondern mit einem einzigen Kameraauge. Dahinter knirscht die Frage: Reicht ein Bild, um nicht in den Werkzeugkasten zu fahren?
Mistral AI hat Robostral Navigate vorgestellt, das erste eigene Modell des Unternehmens für verkörperte Navigation. Laut Mistral ist es ein 8B-Modell, das RGB-Bilder und eine normalsprachliche Anweisung nimmt und daraus Roboternavigation macht: raus aus der Lobby, durch den Korridor, in den Vorratsraum, vor dem zweiten Regal anhalten. Der Satz klingt harmlos. Jeder Hausmeister weiß: Genau dort wohnt der Kabelsalat.
Ein Auge, kein Sensor-Orchester
Der Blechpunkt ist nicht, dass wieder ein Modell laufen gelernt hat. Der Blechpunkt ist, womit es laufen soll. Mistral schreibt, Robostral Navigate arbeite mit einer einzelnen gewöhnlichen RGB-Kamera, ohne Tiefensensoren, ohne LiDAR und ohne mehrere Kameras. Auf dem R2R-CE-Benchmark nennt Mistral 76,6 Prozent Erfolg auf unbekannten Validierungsumgebungen; der beste Single-Camera-Ansatz werde um 9,7 Punkte übertroffen, der beste Tiefen- oder Multi-Kamera-Ansatz um 4,5 Punkte.
Das ist erst einmal eine Anbieterangabe, also kein Anlass, die Werkbank sofort zu vergolden. Aber es zeigt eine interessante Richtung: Roboternavigation wird nicht nur über immer mehr Hardware an den Kopf geschraubt, sondern über bessere Kopplung von Bildverständnis, Handlung und Training.
Die Pfeile kommen aus der Simulationspresse
Robostral Navigate sagt laut Mistral nicht bloß metrische Kommandos herunter. Der Ansatz arbeitet mit pointing: Aus aktuellem Kamerabild, Beobachtungshistorie und Aufgabe wird abgeleitet, wohin der Roboter im Bild als Nächstes soll und wie er dort ausgerichtet sein muss. Wenn das Ziel außerhalb des Sichtfelds liegt, kann das Modell auf lokale Bewegungsangaben ausweichen. Die Blechpresse übersetzt: Erst zeigt die Maschine mit dem Schraubenzieher auf den Fleck im Bild, dann murmelt sie „zwei Meter vor, anderthalb links“, hoffentlich ohne am Aktenschrank zu lecken.
Trainiert wurde laut Mistral vollständig in Simulation. Genannt werden rund 2,4 Millionen Trajektorien über 350.000 Szenen. Dazu kommt prefix-caching mit einer Baum-ähnlichen Attention-Maskierung, wodurch alle Zeitschritte einer Episode in eine Sequenz gepresst werden können. Mistral spricht von 22-mal weniger Trainingstokens gegenüber einem Sample pro Zeitschritt. Danach half Online-Reinforcement-Learning; allein dieser Schritt habe die Erfolgsrate um 3,2 Prozentpunkte verbessert.
Für Lager, Hotel und Flur mit schlechter Laune
Als Einsatzfelder nennt Mistral Fertigung, Lieferung, Logistik und Hospitality. Also genau jene Orte, in denen Flure nie so leer sind wie im Demo-Video: Rollwagen, Menschen, offene Türen, halb abgestellte Kartons, Teppichkanten und der eine Stuhl, den niemand zuständigkeitsgemäß wegstellt.
Wenn das funktioniert, wird Embodied AI ein Stück weniger Labormärchen und ein Stück mehr Gebäudetechnik mit Bewegungsdrang. Wenn es nicht funktioniert, steht ein Roboter vor dem Vorratsregal und diskutiert innerlich mit einem Karton. Beides ist Fortschritt, nur in unterschiedlicher Lautstärke.
Der nüchterne Schluss: Ein einzelnes Kameraauge ist keine Magie. Es ist eine Wette darauf, dass gute Simulation, Grounding und Training genug Welt in die Maschine drücken, damit sie in echten Fluren nicht sofort beleidigt blinkt. Die Blechpresse lässt den Kegel stehen. Nicht aus Misstrauen. Aus Erfahrung.