Innhold Vis
Robostral Navigate lar AI-roboter følge vanlige språkinstruksjoner med bare ett RGB-kamera. Mistral AIs nye modell trenger verken LiDAR, dybdekamera eller en rigg med flere kameraer for å finne veien gjennom kontorer, lagerbygg og andre miljøer. Den ser på kamerabildet, tolker oppgaven og peker ut hvor roboten skal bevege seg videre.
Det høres kanskje ut som en liten detalj i en verden full av humanoide roboter og glitrende demonstrasjoner. Men sensorer, kalibrering og spesialtilpasning er noe av det som gjør robotikk dyrt og vanskelig å flytte fra en pen video til faktisk drift. Ett vanlig kamera kan gi enklere maskinvare og gjøre den samme navigasjonsmodellen aktuell for roboter på hjul, bein eller propeller.
Mistral lanserte Robostral Navigate 8. juli 2026. Dette er selskapets første modell for såkalt embodied navigation – AI som ikke bare beskriver verden, men bruker syn og språk til å flytte en fysisk maskin gjennom den.
Hva er Robostral Navigate?
Robostral Navigate er en spesialisert vision-language-modell med 8 milliarder parametere. Den tar imot en instruksjon i vanlig språk og en strøm av RGB-bilder fra ett kamera, og bestemmer hvor roboten skal kjøre, gå eller fly videre. Mistral beskriver modellen som sin første satsing på embodied navigation.
En oppgave kan for eksempel være å forlate resepsjonen, følge en korridor, gå inn på et lagerrom og stoppe foran den andre hyllen. Modellen må da holde styr på hele instruksjonen, forstå hva kameraet viser og velge en serie bevegelser som fører fram til riktig sted og retning. Det er mer enn bildegjenkjenning. En modell som ser en dør, har ikke nødvendigvis lært hvordan en robot kommer seg gjennom den.
Robostral Navigate er trent fra Mistrals egen modell for visuell grounding, altså evnen til å koble ord til bestemte steder og objekter i et bilde. Mistral sier at den ikke bygger på en eksisterende open source-VLM. Det passer godt med retningen jeg beskrev i saken om Gemini Robotics-ER 1.6 og visuell forståelse i roboter: Det viktige er ikke bare at modellen kan snakke om et bilde, men at forståelsen kan omsettes til en fysisk handling.
Hvorfor er robotnavigasjon med ett RGB-kamera interessant?
Ett RGB-kamera betyr at navigasjonen kan bruke en vanlig bildesensor i stedet for LiDAR, dybdesensorer eller flere synkroniserte kameraer. Mistral hevder at modellen tåler forskjeller i kameraoptikk og størrelsen på roboten, og at den kan brukes på hjulgående, firbeinte og flygende plattformer.
LiDAR måler avstand direkte med laser, mens et vanlig kamera bare leverer et flatt bilde med farger. Robostral Navigate må derfor hente romforståelse fra det den ser over tid: gulv, dører, objekter, perspektiv og tidligere observasjoner. Mindre sensormaskinvare kan senke både kostnad og kompleksitet, men den flytter samtidig mer ansvar over på modellen. Hvis kameraet blir blendet, skittent eller møter et miljø som ser annerledes ut enn treningsdataene, finnes det ikke en separat dybdesensor som automatisk redder situasjonen.
Det er derfor «bare ett kamera» både er modellens mest interessante egenskap og den delen som trenger mest testing i virkeligheten. Mistral viser navigasjon gjennom et kontor med mennesker og hindringer, men har ikke publisert en full oversikt over feilmoduser, lysforhold eller sikkerhetsmarginer. For bedrifter er ikke spørsmålet bare om roboten finner riktig rom 76 av 100 ganger. Den må også stoppe trygt de andre gangene.
Hvordan velger modellen neste bevegelse?
Robostral Navigate bruker en metode Mistral kaller pointing. Modellen markerer et punkt i det nåværende kamerabildet der roboten bør bevege seg, og oppgir hvilken retning den skal ha når den kommer fram. Punktet er knyttet til det roboten faktisk ser, ikke til et fast antall meter i et ferdig kart.
Det gjør navigasjonen mindre avhengig av nøyaktig kamerakalibrering og størrelsen på omgivelsene. En liten robot og en større robot kan se den samme åpne døren fra ulike høyder, men begge kan få et målpunkt gjennom døråpningen. Modellen vurderer bildet på nytt etter hvert som roboten beveger seg, i stedet for å være låst til én lang bevegelsesplan som kan bli feil når noen setter en eske i korridoren.
Pointing virker naturligvis bare når neste nyttige mål er synlig. Hvis målet ligger utenfor synsfeltet, går modellen over til en lokal bevegelseskommando, for eksempel to meter fram, halvannen meter til venstre og en sving på 25 grader. Kombinasjonen er ganske jordnær: Pek når du kan se hvor du skal, bruk lokal retningssans når du ikke kan. Roboten trenger ikke late som den har røntgensyn.
Denne løkken minner om hvordan mange AI-agenter arbeider på en skjerm: observer, velg neste handling, utfør og observer igjen. Forskjellen er at en feil musebevegelse vanligvis er billigere enn en robot som tar feil dør. Hvis du vil se hvordan robotlæring og evaluering bygges mer praktisk rundt modeller og datasett, er LeRobot v0.6.0 og verktøyene for AI-roboter et naturlig bakteppe.
Hvordan ble Robostral Navigate trent?
Mistral trente modellen helt i simulering på omtrent 400 000 navigasjonsforløp fordelt over 6 000 scener. Simulering gjør det mulig å lage mange varianter av rom, ruter og feil uten å kjøre fysiske roboter døgnet rundt. Det gir volum, men skaper også det klassiske sim-to-real-problemet: En simulert korridor har ingen skitten kameralinse, tilfeldig sollys eller tralle som plutselig ruller ut fra et siderom.
For å gjøre selve treningen billigere bruker Mistral prefix-caching og en trebasert attention-maske. I stedet for å behandle hvert tidspunkt i en robotrute som et helt separat treningseksempel, kan en hel episode pakkes inn i én sekvens uten at framtidig informasjon lekker bakover. Ifølge Mistrals tekniske gjennomgang reduserer dette antallet treningstokens med en faktor på 22.
Etter supervised training brukte selskapet CISPO, en variant av online reinforcement learning. Modellen får prøve, feile, hente seg inn igjen og oppdage handlinger som ikke nødvendigvis finnes i demonstrasjonsdataene. Mistral oppgir at denne fasen løftet suksessraten med 3,2 prosent. Det er et selskapstall, ikke et frikort til å erklære problemet løst, men metoden er interessant fordi den trener på konsekvensene av egne valg.
Online RL dukker opp stadig flere steder. Cursor Composer 2 bruker real-time RL til rask modellforbedring i en helt annen type oppgave. Fellesnevneren er at modellen ikke bare kopierer ferdige svar. Den får et signal fra det som faktisk skjedde etter handlingen, enten resultatet er kode som virker eller en robot som ender foran riktig hylle.
Hva forteller resultatene – og hva forteller de ikke?
Mistral rapporterer 76,6 prosent suksess på den usette valideringsdelen av R2R-CE og 79,4 prosent på miljøer modellen har sett. R2R-CE tester om en agent kan følge språkinstruksjoner i kontinuerlige 3D-miljøer, og bygger videre på forskning som kobler diskret og kontinuerlig vision-and-language navigation. Tallene gir et sammenligningspunkt, ikke et bevis på at en lagerrobot er klar for nattskift alene.
Mistral sier at 76,6 prosent er 9,7 prosentpoeng bedre enn den beste sammenlignede løsningen med ett kamera og 4,5 prosentpoeng bedre enn den beste med dybde eller flere kameraer. Jeg ville ikke kjøpt en robot på bakgrunn av det alene. Benchmarken måler en avgrenset navigasjonsoppgave, mens faktisk drift også handler om bevegelige hindringer, våte gulv, mennesker som ikke følger planen, mekanisk slitasje og en nødstoppsknapp som må virke hver gang.
Det positive er at Mistral tester på miljøer som holdes utenfor treningen. Det er mer relevant enn å vise en rute modellen har øvd på tusen ganger. Likevel trenger vi uavhengige tester på flere robottyper og i forhold som ikke er valgt av selskapet selv. Den interessante påstanden er ikke at Robostral Navigate «vinner» en tabell. Det er at en kompakt modell kan lære generell navigasjon med langt enklere sensorer.
Hva kan modellen brukes til i praksis?
Mistral peker på produksjon, logistikk, levering og hotell som aktuelle områder. En hjulgående robot kan frakte deler mellom arbeidsstasjoner, en service-robot kan finne et rom, og en drone kan navigere etter en språklig oppgave. Samme grunnmodell skal kunne håndtere ulike størrelser og typer roboter, noe som kan redusere behovet for å bygge navigasjonsprogramvaren på nytt for hver plattform.
For små og mellomstore bedrifter er den mulige gevinsten først interessant når modellen blir tilgjengelig som et produkt med tydelige krav, pris og sikkerhetsgrenser. Mistrals offentlige side har foreløpig ingen nedlastbare vekter, API-pris eller vanlig startknapp, og modellen finnes heller ikke på OpenRouter per 14. juli 2026. Siden avsluttes med kontakt til salg, mens Mistrals modellregister oppgir Robostral Navigate som aktiv fra 8. juli 2026. Det gjør dette mer til en teknologilansering enn et verktøy leseren kan ta i bruk i ettermiddag.
Maskinvaren forsvinner heller ikke fordi AI-modellen er blitt smartere. Roboten trenger fortsatt motorstyring, hindringssensorer for sikkerhet, strøm, nettverk og et kontrollsystem som oversetter modellens mål til forsvarlige bevegelser. En relevant sammenligning er Asimov v1 og kostnaden ved en fysisk humanoid robot. Modellen er bare én del av regnestykket, selv når den delen er imponerende.
Hvorfor denne modellen er mer interessant enn enda en robotdemo
Robostral Navigate peker mot en mer generell robotstack der syn, språk og navigasjon kan samles i én embodied agent. Mistral sier selv at navigasjon bare er første steg. Det er en fornuftig start, for andre robotferdigheter er ikke særlig nyttige hvis maskinen ikke finner fram til arbeidsbenken.
Det mest lovende er kombinasjonen av enkel sensorpakke, simulert trening og tilpasning på tvers av robottyper. Den kan gjøre det lettere å flytte læring fra én maskin til en annen. Samtidig er det nettopp overføringen fra simulering til rotete virkelighet som avgjør om dette blir en plattform eller bare en god forskningsdemo.
Jeg liker retningen. Ikke fordi 76,6 prosent i en benchmark er et magisk tall, men fordi modellen angriper en konkret flaskehals: Hvordan får du en robot til å forstå en beskjed og finne veien uten å bygge hele rommet rundt roboten? Ett kamera og én instruksjon er et langt mer forståelig utgangspunkt enn en spesialrigg ingen vanlig bedrift har råd eller folk til å vedlikeholde.
Ofte stilte spørsmål
Kan Robostral Navigate brukes uten LiDAR?
Ja. Modellen er laget for å navigere med ett vanlig RGB-kamera og uten LiDAR eller dybdekamera. En fysisk robot vil likevel trenge egne sikkerhetssystemer, motorstyring og nødstoppløsninger. Kameramodellen erstatter navigasjonssensorer i demonstrasjonen, ikke alle komponentene som kreves for trygg drift.
Er Robostral Navigate tilgjengelig for nedlasting?
Ikke som en offentlig nedlasting per 14. juli 2026. Mistral oppgir modellen som aktiv, men den offentlige produktsiden viser verken åpne vekter, API-pris eller selvbetjent tilgang. Siden ber interesserte kunder kontakte Mistral, så praktisk tilgang må foreløpig avklares med selskapet.
Kan modellen kjøre på forskjellige typer roboter?
Mistral sier at Robostral Navigate fungerer på hjulgående, firbeinte og flygende roboter, og at den tåler ulike kamerainnstillinger og robotstørrelser. Det er selskapets dokumenterte mål og demonstrasjon. Uavhengige tester må fortsatt vise hvor godt overføringen fungerer på tvers av faktisk maskinvare.
Hva betyr embodied AI i robotikk?
Embodied AI er AI som oppfatter og handler gjennom en fysisk kropp, for eksempel en robot eller drone. I stedet for bare å svare med tekst bruker modellen kamera og instruksjoner til å velge en handling i verden, observere resultatet og deretter bestemme neste bevegelse.
