El modelo de 8.000 millones de parámetros usa imágenes RGB e instrucciones en lenguaje natural para orientar robots en entornos complejos.
Mistral AI presentó Robostral Navigate, un modelo de 8.000 millones de parámetros diseñado para navegación robótica a partir de imágenes RGB e instrucciones en lenguaje natural. Según la compañía, el sistema permite que un robot se desplace por entornos complejos usando una sola cámara convencional, sin LiDAR ni sensores de profundidad.
El anuncio marca la entrada de Mistral en un área distinta de sus modelos de lenguaje y visión de uso general: la IA encarnada, o embodied AI, donde los sistemas no solo procesan información, sino que deben actuar en un entorno físico. En este caso, la tarea consiste en interpretar una instrucción como “sal del vestíbulo, avanza por el pasillo, entra en la sala de suministros y detente frente al segundo estante”, y convertirla en movimientos sucesivos.
Una apuesta por navegación con menos sensores
La diferencia principal señalada por Mistral es el uso de una única cámara RGB. En robótica móvil, muchos sistemas de navegación recurren a sensores de profundidad, LiDAR, múltiples cámaras o mapas del entorno para reducir la incertidumbre. Robostral Navigate, en cambio, intenta inferir el siguiente movimiento a partir de lo que ve el robot y de la instrucción recibida.
La empresa afirma que el modelo alcanza una tasa de éxito de 76,6% en R2R-CE validation unseen, una evaluación diseñada para medir navegación en entornos no vistos durante el entrenamiento. También reporta 79,4% en validation seen. De acuerdo con Mistral, esos resultados superan en 9,7 puntos al mejor enfoque de una sola cámara y en 4,5 puntos al mejor sistema con profundidad o múltiples cámaras en esa comparación.
Los datos deben leerse como resultados reportados por la propia compañía. Mistral no presenta en la publicación una validación independiente, un paper técnico completo ni detalles sobre disponibilidad pública del modelo, licencia, costos o requisitos de hardware para despliegue.
Del punto visual al movimiento físico
Robostral Navigate utiliza una estrategia que Mistral denomina navegación mediante señalamiento. En lugar de predecir únicamente desplazamientos métricos, el modelo identifica coordenadas dentro de la imagen hacia las que debería avanzar el robot, junto con la orientación deseada al llegar.
La compañía sostiene que este enfoque mejora la tolerancia a diferencias de escala, cámaras y tipos de robots. Cuando el objetivo no aparece dentro del campo visual, el sistema puede recurrir a instrucciones de desplazamiento en el marco local del robot, como avanzar cierta distancia o girar en una dirección determinada.
Según Mistral, Robostral Navigate fue entrenado íntegramente con datos simulados. La empresa indica que construyó un conjunto de aproximadamente 400.000 trayectorias en 6.000 escenas, y que el modelo no se basa en modelos de visión-lenguaje de código abierto existentes. También afirma que el sistema puede ejecutarse en robots con ruedas, robots con patas y robots voladores, aunque la publicación no detalla pruebas comparativas públicas en cada categoría.
El problema de seguir instrucciones en espacios reales
El contexto técnico de este anuncio es la navegación visión-lenguaje, o Vision-and-Language Navigation. El benchmark original Room-to-Room fue propuesto para evaluar agentes capaces de seguir instrucciones en edificios reales a partir de información visual. Posteriormente, trabajos como R2R-CE llevaron ese problema a entornos continuos, más cercanos al movimiento físico de robots.
La plataforma Habitat, usada ampliamente en investigación de IA encarnada, también ayudó a consolidar simulaciones 3D para entrenar y evaluar agentes. En ese campo, la brecha entre buen desempeño en simulación y funcionamiento robusto en el mundo físico sigue siendo un desafío central.
Mistral intenta abordar parte de esa brecha con aprendizaje supervisado eficiente y refuerzo en línea. La compañía afirma que su técnica de prefix-caching reduce en 22 veces el número de tokens de entrenamiento frente a un esquema de una muestra por paso temporal. También señala que el uso posterior de aprendizaje por refuerzo con CISPO incrementó la tasa de éxito en 3,2 puntos.
Potencial práctico y cautelas pendientes
La aplicación de un modelo de navegación basado en una sola cámara podría simplificar el costo y la integración de robots en logística, manufactura, reparto, hotelería o instalaciones comerciales. Menos sensores pueden significar menos complejidad de hardware, aunque no necesariamente menos complejidad operacional.
La publicación de Mistral no especifica cómo se comporta el sistema ante condiciones de iluminación deficientes, oclusiones, superficies reflectantes, cámaras degradadas, cambios bruscos del entorno o restricciones de seguridad física. Tampoco informa si Robostral Navigate estará disponible como modelo descargable, API, producto empresarial o tecnología bajo acuerdo comercial.
Por ahora, Robostral Navigate debe entenderse como una demostración técnica de la ambición de Mistral en robótica, más que como una solución lista para adopción general. Su relevancia dependerá de la validación externa, la transparencia de las pruebas y la capacidad de trasladar los resultados de simulación a entornos reales con seguridad y consistencia.
Con información de Mistral AI, Room-to-Room, R2R-CE y Habitat.
📬 Newsletter gratuito
