Um novo modelo de IA chamado Robostral Navigate está desafiando uma suposição de longa data na robótica: que uma navegação autônoma confiável exige hardware caro e repleto de sensores. O modelo de 8B, desenvolvido pela equipe da AI Science Robotics, alcança navegação robótica de ponta com câmera única usando nada mais do que uma câmera RGB comum e uma instrução em linguagem natural — sem LiDAR, sem sensores de profundidade, sem conjuntos de múltiplas câmeras.
Summary
Principais pontos
- Robostral Navigate é um modelo de IA de 8B que navega robôs usando apenas uma única câmera RGB e instruções em linguagem natural.
- Ele atinge uma taxa de sucesso de 76,6% no benchmark R2R-CE validation unseen, superando os melhores métodos de câmera única em 9,7 pontos e sistemas com profundidade/múltiplas câmeras em 4,5 pontos.
- O modelo usa uma abordagem baseada em apontamento para prever locais-alvo a partir de coordenadas de imagem, com um fallback para deslocamentos no quadro de coordenadas local quando o alvo está fora de vista.
- Uma técnica de treinamento com cache de prefixo reduz os tokens de treinamento em 22 vezes, comprimindo execuções de treinamento de meses em dias.
- O aprendizado por reforço pós-treinamento via o algoritmo CISPO melhorou a taxa de sucesso do modelo em mais 3,2%.
Robostral Navigate avança a navegação robótica com câmera única
Robostral Navigate reformula o que um modelo de navegação realmente precisa para funcionar. Enquanto sistemas concorrentes dependem de sensores de profundidade ou conjuntos de câmeras para mapear um ambiente, este modelo processa um fluxo de imagens RGB padrão juntamente com uma instrução em texto — e se move pelo espaço de acordo. A equipe por trás dele, incluindo os pesquisadores Théo Cachet, Arjun Majumdar, Srijan Mishra, Thomas Chabal, Chris Bamford, Elliot Chane-Sane, Benjamin Tibi, Ludovic Ho Fuh e Olivier Duchenne na AI Science Robotics, construiu todo o modelo internamente sem depender de modelos de visão e linguagem open source existentes.
Essa escolha de design tem consequências reais para a implantação. Requisitos de sensores mais simples significam custos de hardware mais baixos, integração mais fácil entre diferentes tipos de robôs e menos pontos de falha na pilha de sensoriamento.
Abordagem de navegação via apontamento e deslocamentos de fallback
A inovação central é o que a equipe chama de navegação baseada em apontamento. Em vez de emitir comandos de deslocamento métricos como “mova-se 0,5 metros para frente”, Robostral Navigate infere as coordenadas de imagem da localização-alvo dentro do campo de visão atual da câmera do robô — essencialmente apontando para onde ele precisa ir — juntamente com a orientação desejada de chegada.
Essa abordagem torna a política naturalmente robusta a mudanças nas intrínsecas da câmera e a diferenças na escala do mundo, já que ela raciocina sobre destinos em termos visuais em vez de unidades métricas fixas. Um exemplo de instrução que o modelo pode seguir: “Saia do saguão, caminhe pelo corredor, entre na sala de suprimentos e pare de frente para a segunda prateleira.”
Quando o alvo está fora do campo de visão atual da câmera, o apontamento simplesmente não é aplicável. Nesses casos, o modelo recorre a deslocamentos no quadro de coordenadas local — comandos como “mova-se 2 metros para frente, 1,5 metro para a esquerda e gire 25 graus para a esquerda”. O design de dois modos permite que o modelo lide com uma ampla gama de cenários reais de navegação sem aumento de sensores.
Desempenho líder de benchmark no R2R-CE validation
Os números são onde Robostral Navigate apresenta seu argumento mais forte. No benchmark R2R-CE (Room-to-Room in Continuous Environments) — o teste padrão para seguir instruções de navegação em ambientes não usados no treinamento — o modelo atinge uma taxa de sucesso de 76,6% em validation unseen e 79,4% em validation seen.
Superando sistemas de câmera única e multissensores
Esses resultados o colocam à frente de todos os sistemas comparáveis atualmente no benchmark. Robostral Navigate supera a melhor abordagem de câmera única em 9,7 pontos e tem desempenho superior ao melhor sistema que usa sensores de profundidade ou múltiplas câmeras em 4,5 pontos — apesar de não usar nenhum deles.
A margem sobre sistemas multissensores merece atenção especial. Câmeras de profundidade e conjuntos de LiDAR representam investimentos significativos em hardware; um modelo que os supera usando apenas um fluxo RGB único não apenas vence um benchmark, mas muda o que é o hardware mínimo viável para implantações comerciais de robôs.
Técnicas inovadoras de treinamento e aprendizado por reforço
Chegar a esses números exigiu resolver um problema de eficiência de treinamento. Modelos de navegação aprendem a partir de históricos de observação sequenciais — longos episódios de imagens, ações e resultados — que normalmente exigem um enorme poder de computação para serem processados. A equipe do Robostral Navigate abordou isso com um algoritmo de treinamento com cache de prefixo baseado em uma estratégia de mascaramento de atenção em árvore.
Treinamento supervisionado eficiente baseado em cache de prefixo
O método comprime um episódio inteiro de navegação em uma única sequência, permitindo o treinamento em todos os passos de tempo em uma única passagem forward, enquanto impede que informações vazem entre os passos. Em comparação com o treinamento de uma amostra por passo de tempo, essa abordagem reduz os tokens de treinamento em 22 vezes enquanto preserva todos os sinais de aprendizado. Na prática, transforma execuções de treinamento que levariam meses em execuções que são concluídas em dias — uma vantagem operacional significativa para iterar em IA de robótica em escala.
Os próprios dados de treinamento foram gerados inteiramente em simulação ao longo de aproximadamente 400.000 trajetórias coletadas de 6.000 cenas, permitindo iteração rápida sem o custo e a complexidade da coleta de dados físicos.
Impulso de desempenho usando aprendizado por reforço online com CISPO
Após o treinamento supervisionado, a equipe aplicou o CISPO, um algoritmo online de aprendizado por reforço, para impulsionar ainda mais o desempenho. Enquanto a clonagem de comportamento padrão pode sofrer com mudança de distribuição — o modelo encontra cenários em produção que diferem de seus dados de treinamento — o CISPO permite que o modelo aprenda com tentativa e erro, se recupere de falhas e desenvolva comportamentos exploratórios.
Essa segunda etapa de treinamento adicionou uma melhoria de 3,2% na taxa de sucesso. A equipe observa que não está vendo qualquer sinal de estagnação no desempenho, sugerindo que execuções de treinamento adicionais provavelmente empurrarão os números ainda mais para cima. A aplicação de técnicas de RL pós-treinamento, familiares do desenvolvimento de grandes modelos de linguagem, à IA de navegação incorporada é um movimento estrategicamente significativo — sinaliza que o manual de engenharia refinado para LLMs agora é transferível para o controle de robôs físicos.
Generalização entre tipos de robôs e desenvolvimento futuro
Robostral Navigate roda em robôs com rodas, robôs com pernas e robôs voadores e generaliza entre diferentes tamanhos de robôs e configurações de câmera. O modelo também é robusto a diferenças nas intrínsecas da câmera, o que significa que não precisa ser recalibrado para cada novo conjunto de hardware — um requisito prático para qualquer sistema que tenha como alvo uma ampla adoção comercial.
As aplicações-alvo abrangem manufatura, entrega, logística e hospitalidade. A equipe enquadra a navegação como uma capacidade fundamental para robótica de uso geral e posiciona o Robostral Navigate como o primeiro passo em direção a um agente incorporado unificado, em vez de um produto finalizado.
A AI Science Robotics está expandindo ativamente sua equipe de robótica e contratando cientistas de pesquisa e engenheiros focados em IA de navegação incorporada, sinalizando que o roteiro de desenvolvimento se estende muito além deste lançamento inicial.
Perguntas frequentes
Quais sensores o Robostral Navigate usa para navegação de robôs?
Robostral Navigate usa apenas uma única câmera RGB e não depende de LiDAR ou sensores de profundidade.
Quão bem o Robostral Navigate se sai em comparação com outros modelos de navegação?
Ele atinge uma taxa de sucesso de 76,6% no benchmark R2R-CE validation unseen, superando os melhores métodos de câmera única em 9,7 pontos e sistemas com profundidade/múltiplas câmeras em 4,5 pontos.
Como o Robostral Navigate lida com tarefas de navegação quando o alvo não está visível no campo de visão da câmera?
Quando o alvo está fora do campo de visão atual da câmera, o modelo usa comandos de deslocamento no quadro de coordenadas local do robô como método de navegação de fallback.
Quais técnicas de treinamento melhoram o desempenho de navegação do Robostral Navigate?
O modelo usa um método eficiente de treinamento supervisionado com cache de prefixo que reduz os tokens de treinamento em 22 vezes e melhora ainda mais com aprendizado por reforço online via o algoritmo CISPO, que adicionou um ganho de 3,2% na taxa de sucesso.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Quais sensores o Robostral Navigate usa para navegação de robôs?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Robostral Navigate usa apenas uma única câmera RGB e não depende de LiDAR ou sensores de profundidade.”}},{“@type”:”Question”,”name”:”Quão bem o Robostral Navigate se sai em comparação com outros modelos de navegação?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Ele atinge uma taxa de sucesso de 76,6% no benchmark R2R-CE validation unseen, superando os melhores métodos de câmera única em 9,7 pontos e sistemas com profundidade/múltiplas câmeras em 4,5 pontos.”}},{“@type”:”Question”,”name”:”Como o Robostral Navigate lida com tarefas de navegação quando o alvo não está visível no campo de visão da câmera?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Quando o alvo está fora do campo de visão atual da câmera, o modelo usa comandos de deslocamento no quadro de coordenadas local do robô como método de navegação de fallback.”}},{“@type”:”Question”,”name”:”Quais técnicas de treinamento melhoram o desempenho de navegação do Robostral Navigate?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”O modelo usa um método eficiente de treinamento supervisionado com cache de prefixo que reduz os tokens de treinamento em 22 vezes e melhora ainda mais com aprendizado por reforço online via o algoritmo CISPO, que adicionou um ganho de 3,2% na taxa de sucesso.”}}]}
Artigo produzido com a assistência de inteligência artificial e revisado pela equipe editorial.
