Ein neues KI-Modell namens Robostral Navigate stellt eine lang gehegte Annahme in der Robotik in Frage: dass zuverlässige autonome Navigation teure, sensorlastige Hardware erfordert. Das 8B-Modell, entwickelt vom Team bei AI Science Robotics, erreicht modernste robotische Navigation mit nur einer einzelnen Kamera mithilfe einer gewöhnlichen RGB-Kamera und einer Anweisung in natürlicher Sprache – kein LiDAR, keine Tiefensensoren, keine Multi-Kamera-Rigs.
Summary
Wichtigste Erkenntnisse
- Robostral Navigate ist ein 8B-KI-Modell, das Roboter nur mit einer einzelnen RGB-Kamera und Anweisungen in natürlicher Sprache navigiert.
- Es erreicht eine Erfolgsquote von 76,6 % auf dem R2R-CE-Validation-Unseen-Benchmark und übertrifft damit die besten Ein-Kamera-Methoden um 9,7 Punkte und Tiefen-/Multi-Kamera-Systeme um 4,5 Punkte.
- Das Modell verwendet einen zeigebasierten Ansatz, um Zielorte aus Bildkoordinaten vorherzusagen, mit einem Fallback auf Verschiebungen im lokalen Koordinatenrahmen, wenn das Ziel nicht im Sichtfeld ist.
- Eine Prefix-Caching-Trainingstechnik reduziert die Trainingstoken um das 22-Fache und komprimiert monatelange Trainingsläufe auf wenige Tage.
- Verstärkungslernen nach dem Training über den CISPO-Algorithmus verbesserte die Erfolgsquote des Modells um weitere 3,2 %.
Robostral Navigate treibt die robotische Navigation mit Einzelkamera voran
Robostral Navigate definiert neu, was ein Navigationsmodell tatsächlich benötigt, um zu funktionieren. Während konkurrierende Systeme auf Tiefensensoren oder Kamerarrays setzen, um eine Umgebung zu kartieren, verarbeitet dieses Modell einen Strom von Standard-RGB-Bildern zusammen mit einer Textanweisung – und bewegt sich entsprechend durch den Raum. Das Team dahinter, darunter die Forschenden Théo Cachet, Arjun Majumdar, Srijan Mishra, Thomas Chabal, Chris Bamford, Elliot Chane-Sane, Benjamin Tibi, Ludovic Ho Fuh und Olivier Duchenne bei AI Science Robotics, entwickelte das gesamte Modell intern, ohne auf bestehende Open-Source-Vision-Language-Modelle zurückzugreifen.
Diese Designentscheidung hat reale Konsequenzen für den Einsatz. Einfachere Sensoranforderungen bedeuten geringere Hardwarekosten, leichtere Integration über verschiedene Robotertypen hinweg und weniger potenzielle Fehlerquellen im Sensor-Stack.
Navigationsansatz über Zeigen und Fallback-Verschiebungen
Die zentrale Innovation ist das, was das Team zeigebasierte Navigation nennt. Anstatt metrische Verschiebungsbefehle wie „Bewege dich 0,5 Meter nach vorne“ auszugeben, leitet Robostral Navigate die Bildkoordinaten des Zielorts innerhalb des aktuellen Kamerablickfelds des Roboters ab – zeigt im Grunde darauf, wohin er gehen muss – zusammen mit der gewünschten Ankunftsorientierung.
Dieser Ansatz macht die Policy von Natur aus robust gegenüber Änderungen der Kameraintrinsiken und Unterschieden im Weltmaßstab, da sie über Ziele in visuellen Begriffen statt in festen metrischen Einheiten nachdenkt. Ein Beispiel für eine Anweisung, der das Modell folgen kann: „Verlasse die Lobby, gehe durch den Flur, betrete den Vorratsraum und bleibe stehen, sodass du dem zweiten Regal zugewandt bist.“
Wenn sich das Ziel außerhalb des aktuellen Sichtfelds der Kamera befindet, ist Zeigen schlicht nicht anwendbar. In diesen Fällen greift das Modell auf Verschiebungen im lokalen Koordinatenrahmen zurück – Befehle wie „Bewege dich 2 Meter nach vorne, 1,5 Meter nach links und drehe dich 25 Grad nach links.“ Das Zwei-Modi-Design ermöglicht es dem Modell, eine breite Palette realer Navigationsszenarien ohne Sensoraufrüstung zu bewältigen.
Benchmark-führende Leistung auf der R2R-CE-Validierung
Die Zahlen sind der Bereich, in dem Robostral Navigate sein stärkstes Argument liefert. Auf dem R2R-CE-Benchmark (Room-to-Room in Continuous Environments) – dem Standardtest für das Befolgen von Navigationsanweisungen in Umgebungen, die vom Training ausgeschlossen sind – erreicht das Modell eine Erfolgsquote von 76,6 % auf Validation Unseen und 79,4 % auf Validation Seen.
Übertrifft Ein-Kamera- und Multi-Sensor-Systeme
Diese Ergebnisse platzieren es vor jedem vergleichbaren System, das derzeit im Benchmark geführt wird. Robostral Navigate schlägt den besten Ein-Kamera-Ansatz um 9,7 Punkte und übertrifft das beste System mit Tiefensensoren oder mehreren Kameras um 4,5 Punkte – obwohl es keines von beiden verwendet.
Der Vorsprung gegenüber Multi-Sensor-Systemen verdient besondere Beachtung. Tiefenkameras und LiDAR-Rigs stellen erhebliche Hardwareinvestitionen dar; ein Modell, das sie mit einem einzigen RGB-Feed übertrifft, gewinnt nicht nur einen Benchmark, sondern verschiebt auch die Definition dessen, wie die minimal erforderliche Hardware für kommerzielle Robotereinsätze aussieht.
Innovative Trainings- und Verstärkungslernverfahren
Um diese Zahlen zu erreichen, musste ein Problem der Trainingseffizienz gelöst werden. Navigationsmodelle lernen aus sequentiellen Beobachtungshistorien – langen Episoden aus Bildern, Aktionen und Ergebnissen –, deren Verarbeitung typischerweise enorme Rechenressourcen erfordert. Das Team von Robostral Navigate ging dies mit einem Prefix-Caching-Trainingsalgorithmus an, der auf einer baumbasierten Attention-Masking-Strategie aufbaut.
Effizientes, auf Prefix-Caching basierendes überwachtes Training
Die Methode komprimiert eine gesamte Navigationsepisode in eine einzige Sequenz, sodass das Training über alle Zeitschritte in einem Forward-Pass möglich ist, während gleichzeitig verhindert wird, dass Informationen zwischen den Schritten durchsickern. Im Vergleich zum Training mit einem Sample pro Zeitschritt reduziert dieser Ansatz die Trainingstoken um das 22-Fache, wobei alle Lernsiganle erhalten bleiben. Praktisch verwandelt er Trainingsläufe, die Monate dauern würden, in Läufe, die in Tagen abgeschlossen sind – ein bedeutender operativer Vorteil für die Skalierung von Robotik-KI.
Die Trainingsdaten selbst wurden vollständig in Simulation erzeugt, über ungefähr 400.000 Trajektorien, die aus 6.000 Szenen gesammelt wurden, was schnelle Iterationen ohne die Kosten und die Komplexität physischer Datenerhebung ermöglicht.
Leistungssteigerung durch Online-Verstärkungslernen mit CISPO
Nach dem überwachten Training setzte das Team CISPO ein, einen Online-Algorithmus für Verstärkungslernen, um die Leistung weiter zu steigern. Während Standard-Behavior-Cloning unter einem Distributionsshift leiden kann – das Modell sieht in der Anwendung Szenarien, die sich von seinen Trainingsdaten unterscheiden – ermöglicht CISPO dem Modell, aus Versuch und Irrtum zu lernen, sich von Fehlern zu erholen und exploratives Verhalten zu entwickeln.
Diese zweite Trainingsphase brachte eine Verbesserung der Erfolgsquote um 3,2 %. Das Team merkt an, dass es bislang keine Anzeichen einer Sättigung der Leistung sieht, was darauf hindeutet, dass weitere Trainingsläufe die Zahlen noch weiter nach oben treiben dürften. Die Anwendung von RL-Techniken nach dem Training, die aus der Entwicklung großer Sprachmodelle bekannt sind, auf verkörperte Navigations-KI ist ein strategisch bedeutender Schritt – er signalisiert, dass das für LLMs verfeinerte Engineering-Playbook nun auf die Steuerung physischer Roboter übertragbar ist.
Generalisierung über Robotertypen hinweg und zukünftige Entwicklung
Robostral Navigate läuft auf rollenden, laufenden und fliegenden Robotern und generalisiert über unterschiedliche Robotergößen und Kamerakonfigurationen hinweg. Das Modell ist zudem robust gegenüber Unterschieden in den Kameraintrinsiken, was bedeutet, dass es nicht für jedes neue Hardware-Setup neu kalibriert werden muss – eine praktische Voraussetzung für jedes System, das auf breite kommerzielle Nutzung abzielt.
Zielanwendungen umfassen Fertigung, Zustellung, Logistik und Gastgewerbe. Das Team versteht Navigation als grundlegende Fähigkeit für allgemeine Robotik und positioniert Robostral Navigate als ersten Schritt hin zu einem einheitlichen verkörperten Agenten statt als fertiges Produkt.
AI Science Robotics baut sein Robotikteam aktiv aus und stellt Forschungswissenschaftler und Ingenieure mit Fokus auf verkörperte Navigations-KI ein, was signalisiert, dass die Entwicklungsroadmap weit über diese erste Veröffentlichung hinausreicht.
FAQ
Welche Sensoren verwendet Robostral Navigate für die Roboternavigation?
Robostral Navigate verwendet nur eine einzelne RGB-Kamera und ist nicht auf LiDAR oder Tiefensensoren angewiesen.
Wie gut schneidet Robostral Navigate im Vergleich zu anderen Navigationsmodellen ab?
Es erreicht eine Erfolgsquote von 76,6 % auf dem R2R-CE-Validation-Unseen-Benchmark und übertrifft die besten Ein-Kamera-Methoden um 9,7 Punkte sowie Tiefen-/Multi-Kamera-Systeme um 4,5 Punkte.
Wie geht Robostral Navigate mit Navigationsaufgaben um, wenn das Ziel nicht im Kamerabild sichtbar ist?
Wenn sich das Ziel außerhalb des aktuellen Sichtfelds der Kamera befindet, verwendet das Modell Verschiebungsbefehle im lokalen Koordinatenrahmen des Roboters als Fallback-Navigationsmethode.
Welche Trainingstechniken verbessern die Navigationsleistung von Robostral Navigate?
Das Modell verwendet eine effiziente, auf Prefix-Caching basierende überwachte Trainingsmethode, die die Trainingstoken reduziert um das 22-Fache, und verbessert sich weiter durch Online-Verstärkungslernen über den CISPO-Algorithmus, der einen Gewinn von 3,2 % bei der Erfolgsquote brachte.
{„@context“:“https://schema.org“,“@type“:“FAQPage“,“mainEntity“:[{„@type“:“Question“,“name“:“Welche Sensoren verwendet Robostral Navigate für die Roboternavigation?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Robostral Navigate verwendet nur eine einzelne RGB-Kamera und ist nicht auf LiDAR oder Tiefensensoren angewiesen.“}},{„@type“:“Question“,“name“:“Wie gut schneidet Robostral Navigate im Vergleich zu anderen Navigationsmodellen ab?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Es erreicht eine Erfolgsquote von 76,6 % auf dem R2R-CE-Validation-Unseen-Benchmark und übertrifft die besten Ein-Kamera-Methoden um 9,7 Punkte sowie Tiefen-/Multi-Kamera-Systeme um 4,5 Punkte.“}},{„@type“:“Question“,“name“:“Wie geht Robostral Navigate mit Navigationsaufgaben um, wenn das Ziel nicht im Kamerabild sichtbar ist?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Wenn sich das Ziel außerhalb des aktuellen Sichtfelds der Kamera befindet, verwendet das Modell Verschiebungsbefehle im lokalen Koordinatenrahmen des Roboters als Fallback-Navigationsmethode.“}},{„@type“:“Question“,“name“:“Welche Trainingstechniken verbessern die Navigationsleistung von Robostral Navigate?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Das Modell verwendet eine effiziente, auf Prefix-Caching basierende überwachte Trainingsmethode, die die Trainingstoken um das 22-Fache reduziert, und verbessert sich weiter durch Online-Verstärkungslernen über den CISPO-Algorithmus, der einen Gewinn von 3,2 % bei der Erfolgsquote brachte.“}}]}
Artikel mit Unterstützung künstlicher Intelligenz erstellt und von der Redaktion überprüft.
