Mistral Robostral Navigate: robotski AI koji navigira samo s RGB kamerom

Mistral AI nije više isključivo jezični model — 8. srpnja 2026. kompanija je ušla u potpuno novu kategoriju objavom Robostral Navigate, prvog modela namijenjenog autonomnoj robotskoj navigaciji. Model od 8 milijardi parametara razlikuje se od jezičnih prethodnika jednom temeljnom sposobnošću: može voditi robota kroz fizičko okruženje prateći naredbe na prirodnom jeziku, i to koristeći samo jednu RGB kameru kao jedini senzorski ulaz.

Ulazak europskog AI laboratorija u robotiku nije bio najavljen — Robostral Navigate pojavljuje se kao komercijalni proizvod, ne kao istraživački artefakt, pozicioniran za industrije gdje autonomna navigacija može zamijeniti manualnu logistiku.

Navigacija bez karte ni dubinskih senzora

Standardni pristupi autonomnoj robotskoj navigaciji oslanjaju se na bogatu senzoriku: LiDAR koji mjeri udaljenosti laserom, stereo kamere koje rekonstruiraju dubinu triangulacijom, ponekad i IMU senzore za praćenje orijentacije. Sav taj hardver skupo košta, komplicira ugradnju i veže model za specifičnu platformu.

Robostral Navigate odbacuje taj model. Model prima ulaz isključivo s jedne RGB kamere — standardne, jeftine, sveprisutne. Bez dubinskih ni stereo podataka, iz tih dvodimenzionalnih slika mora zaključiti gdje se nalazi, kuda treba ići i kako izbjeći prepreke na putu.

Ovo nije samo tehnički zanimljivo — praktično je važno. Postojeća web-kamera, kamera za video nadzor ili ugrađena kamera telefona sada može biti dovoljan senzorski ulaz za autonomnu navigaciju robota, što drastično snižava troškove opremanja i širi raspon platformi na kojima se model može koristiti.

Kako Robostral Navigate zapravo radi?

Arhitekturno, model koristi tzv. „pointing-based” navigacijski pristup. Umjesto da gradi kompleksnu kartu okruženja ili rekonstruira trodimenzionalnu scenu, model predviđa ciljne koordinate unutar vidnog polja kamere — doslovno pokazuje kamo robot treba usmjeriti kretanje. Kada je cilj izvan vidnog polja, model prelazi na seriju lokalnih naredbi pomaka: kratki koraci koji robot vode prema cilju korak po korak, dok ga konačno ne „uvidi” unutar kadra kamere.

Ova kombinacija — precizno pokazivanje za vidljive ciljeve, inkrementalno kretanje za nevidljive — čini sustav robusnim u stvarnim okruženjima gdje globalna mapa nije dostupna ili nije ažurna.

Robostral Navigate je kompatibilan s tri klase robotskih platformi: roboti na kotačima, roboti na nogama i leteći roboti (dronovi). Model je dizajniran da bude robustan na varijacije parametara kamere — žarišna duljina, distorzija, rezolucija — što znači da može raditi s kamerama različitih specifikacija bez ponovnog treniranja za svaku platformu.

Benchmarki: nadmašuje jednokanalne i višesenzorske sustave

Na standardnom benchmarku za navigaciju u stvarnim okruženjima — R2R-CE (Room-to-Room Continuous Environments) — Robostral Navigate ostvaruje sljedeće rezultate:

• 79,4% uspješnosti na viđenim okruženjima (validation seen)
• 76,6% uspješnosti na neviđenim okruženjima (validation unseen)

Posebno je bitan kontekst usporedbe s konkurencijom. Robostral Navigate premašuje jednokamerne konkurente za 9,7 postotnih bodova — što je već impresivno za model koji koristi isti tip ulaznih podataka. Ono što je znatno upečatljivije: premašuje i višesenzorske sustave koji imaju pristup dubinskim podacima, za 4,5 postotnih bodova. RGB kamera nadmašuje LiDAR i stereo sustave na istom zadatku.

Ovaj rezultat nije inkrementalno poboljšanje — sugerira da arhitekturni pristup modela kompenzira informacijski deficit koji dolazi od nedostatka dubinskih senzora.

Trening isključivo u simulaciji

Mistral nije trenirao Robostral Navigate fizičkim pokusima s robotom u stvarnom prostoru. Model je izgrađen potpuno u simulaciji, na otprilike 400.000 trajektorija kroz 6.000 scena — raznolikost i obujam koji bi u fizičkom okruženju bili praktično neizvedivi.

Trening je optimiziran na nekoliko razina. Tehnika prefix-cachinga smanjuje broj trenažnih tokena za 22×, što trening čini znatno računalno efikasnijim bez žrtvovanja kvalitete modela. Naknadno se primjenjuje CISPO online reinforcement learning algoritam koji daje još 3,2 postotna boda poboljšanja — razlika koja je na navigacijskim benchmarkovima statistički i praktično značajna.

Ova strategija — trening isključivo u simulaciji, evaluacija u stvarnim fizičkim uvjetima — dokazuje da simulacija-to-real transfer može funkcionirati bez skupih fizičkih eksperimenata, makar za zadatak navigacije po naredbama prirodnog jezika.

Ciljana tržišta i dostupnost

Mistral eksplicitno navodi četiri ciljna tržišta za Robostral Navigate: proizvodnja, dostava, logistika i ugostiteljstvo. Sve su to okruženja gdje autonomna navigacija nosi visok potencijal za automatizaciju — isporuka predmeta unutar tvornica, praćenje hodnika u hotelima, navigacija robota dostavljača između polica u skladištu.

Dostupnost nije javno otvorena. Zainteresirani se upućuju na kontakt s prodajnim timom Mistrala, što sugerira da je Robostral Navigate u fazi komercijalnih pilota i enterprise deployanja, a ne API-ja dostupnog svim razvojnim programerima. Javni datum opće dostupnosti nije objavljen.

Za Mistral, Robostral Navigate nije samo novi model u portfoliju — to je dokaz da europski AI laboratorij može kompetitivno ući u fizičku AI, kategoriju koja je dosad bila dominantno u rukama američkih i azijskih igrača s daleko većim hardverskim budžetima.