Un nuevo modelo de IA llamado Robostral Navigate está desafiando una suposición de larga data en robótica: que la navegación autónoma fiable requiere hardware costoso y con muchos sensores. El modelo de 8B, desarrollado por el equipo de AI Science Robotics, logra una navegación robótica de vanguardia con una sola cámara utilizando nada más que una cámara RGB ordinaria y una instrucción en lenguaje natural: sin LiDAR, sin sensores de profundidad, sin equipos de múltiples cámaras.
Summary
Puntos clave
- Robostral Navigate es un modelo de IA de 8B que navega robots usando solo una cámara RGB y instrucciones en lenguaje natural.
- Alcanza una tasa de éxito del 76,6% en el benchmark R2R-CE validation unseen, superando a los mejores métodos de una sola cámara por 9,7 puntos y a los sistemas con sensores de profundidad/múltiples cámaras por 4,5 puntos.
- El modelo utiliza un enfoque basado en señalamiento para predecir ubicaciones objetivo a partir de coordenadas de imagen, con una alternativa de desplazamientos en el marco de coordenadas local cuando el objetivo está fuera de la vista.
- Una técnica de entrenamiento con almacenamiento en caché de prefijos reduce los tokens de entrenamiento 22 veces, comprimiendo ejecuciones de entrenamiento de meses en días.
- El aprendizaje por refuerzo posterior al entrenamiento mediante el algoritmo CISPO mejoró la tasa de éxito del modelo en un 3,2% adicional.
Robostral Navigate impulsa la navegación robótica con una sola cámara
Robostral Navigate replantea lo que un modelo de navegación realmente necesita para funcionar. Mientras que los sistemas competidores se apoyan en sensores de profundidad o matrices de cámaras para mapear un entorno, este modelo procesa un flujo de imágenes RGB estándar junto con una instrucción de texto, y se mueve por el espacio en consecuencia. El equipo detrás de él, que incluye a los investigadores Théo Cachet, Arjun Majumdar, Srijan Mishra, Thomas Chabal, Chris Bamford, Elliot Chane-Sane, Benjamin Tibi, Ludovic Ho Fuh y Olivier Duchenne en AI Science Robotics, construyó todo el modelo internamente sin depender de modelos de visión-lenguaje de código abierto existentes.
Esa decisión de diseño tiene consecuencias reales para la implementación. Requisitos de sensores más simples significan menores costos de hardware, integración más sencilla en distintos tipos de robots y menos puntos de fallo en la pila de sensorización.
Enfoque de navegación mediante señalamiento y desplazamientos de respaldo
La innovación central es lo que el equipo llama navegación basada en señalamiento. En lugar de emitir comandos de desplazamiento métricos como «avanza 0,5 metros», Robostral Navigate infiere las coordenadas de imagen de la ubicación objetivo dentro del campo de visión actual de la cámara del robot — esencialmente señalando adónde necesita ir — junto con la orientación de llegada deseada.
Este enfoque hace que la política sea naturalmente robusta a cambios en las características intrínsecas de la cámara y a diferencias en la escala del mundo, ya que razona sobre los destinos en términos visuales en lugar de unidades métricas fijas. Un ejemplo de instrucción que el modelo puede seguir: «Sal del vestíbulo, camina por el pasillo, entra en la sala de suministros y detente mirando hacia la segunda estantería.»
Cuando el objetivo se encuentra fuera del campo de visión actual de la cámara, el señalamiento simplemente no es aplicable. En esos casos, el modelo recurre a desplazamientos en el marco de coordenadas local, comandos como «avanza 2 metros, 1,5 metros a la izquierda y gira 25 grados a la izquierda». El diseño de dos modos permite que el modelo maneje una amplia gama de escenarios de navegación reales sin aumentar los sensores.
Rendimiento líder en el benchmark R2R-CE validation
Las cifras son donde Robostral Navigate presenta su argumento más sólido. En el benchmark R2R-CE (Room-to-Room in Continuous Environments), la prueba estándar para seguir instrucciones de navegación en entornos excluidos del entrenamiento, el modelo alcanza una tasa de éxito del 76,6% en validation unseen y del 79,4% en validation seen.
Superando a sistemas de una sola cámara y multisensor
Esos resultados lo sitúan por delante de todos los sistemas comparables actualmente en el benchmark. Robostral Navigate supera al mejor enfoque de una sola cámara por 9,7 puntos y rinde mejor que el mejor sistema que utiliza sensores de profundidad o múltiples cámaras por 4,5 puntos, a pesar de no usar ninguno de ellos.
El margen sobre los sistemas multisensor merece especial atención. Las cámaras de profundidad y los equipos LiDAR representan inversiones de hardware significativas; un modelo que los supera utilizando una sola señal RGB no solo gana un benchmark, sino que cambia la percepción de cuál es el hardware mínimamente viable para implementaciones comerciales de robots.
Técnicas innovadoras de entrenamiento y aprendizaje por refuerzo
Alcanzar esas cifras requirió resolver un problema de eficiencia de entrenamiento. Los modelos de navegación aprenden a partir de historiales de observación secuenciales — largos episodios de imágenes, acciones y resultados — que normalmente exigen un enorme cómputo para procesarse. El equipo de Robostral Navigate abordó esto con un algoritmo de entrenamiento con almacenamiento en caché de prefijos basado en una estrategia de enmascaramiento de atención en árbol.
Entrenamiento supervisado eficiente basado en almacenamiento en caché de prefijos
El método comprime un episodio completo de navegación en una sola secuencia, lo que permite entrenar en todos los pasos temporales en una sola pasada hacia adelante, evitando que la información se filtre entre pasos. En comparación con entrenar una muestra por paso temporal, este enfoque reduce los tokens de entrenamiento 22 veces al tiempo que preserva todas las señales de aprendizaje. En la práctica, convierte ejecuciones de entrenamiento que tomarían meses en ejecuciones que se completan en días, una ventaja operativa significativa para iterar IA robótica a escala.
Los propios datos de entrenamiento se generaron íntegramente en simulación a lo largo de aproximadamente 400.000 trayectorias recopiladas de 6.000 escenas, lo que permitió una iteración rápida sin el costo y la complejidad de la recopilación de datos físicos.
Impulso de rendimiento mediante aprendizaje por refuerzo en línea con CISPO
Después del entrenamiento supervisado, el equipo aplicó CISPO, un algoritmo de aprendizaje por refuerzo en línea, para impulsar aún más el rendimiento. Mientras que la clonación de comportamiento estándar puede sufrir un cambio de distribución — el modelo se enfrenta en despliegue a escenarios que difieren de sus datos de entrenamiento — CISPO permite que el modelo aprenda mediante prueba y error, se recupere de fallos y desarrolle comportamientos exploratorios.
Esa segunda etapa de entrenamiento añadió una mejora del 3,2% en la tasa de éxito. El equipo señala que no está observando ningún estancamiento en el rendimiento, lo que sugiere que ejecuciones de entrenamiento adicionales probablemente impulsen aún más las cifras. La aplicación de técnicas de RL posteriores al entrenamiento, conocidas por el desarrollo de grandes modelos de lenguaje, a la IA de navegación encarnada es un movimiento estratégicamente significativo: indica que el manual de ingeniería perfeccionado para LLM ahora es transferible al control físico de robots.
Generalización entre tipos de robots y desarrollo futuro
Robostral Navigate funciona en robots con ruedas, con patas y voladores, y se generaliza entre diferentes tamaños de robots y configuraciones de cámara. El modelo también es robusto a diferencias en las características intrínsecas de la cámara, lo que significa que no necesita recalibrarse para cada nueva configuración de hardware, un requisito práctico para cualquier sistema que apunte a una adopción comercial amplia.
Las aplicaciones objetivo abarcan manufactura, reparto, logística y hostelería. El equipo presenta la navegación como una capacidad fundamental para la robótica de propósito general y posiciona a Robostral Navigate como el primer paso hacia un agente encarnado unificado más que como un producto terminado.
AI Science Robotics está ampliando activamente su equipo de robótica y contratando científicos de investigación e ingenieros centrados en IA de navegación encarnada, lo que indica que la hoja de ruta de desarrollo se extiende mucho más allá de este lanzamiento inicial.
Preguntas frecuentes
¿Qué sensores utiliza Robostral Navigate para la navegación de robots?
Robostral Navigate utiliza solo una cámara RGB y no depende de LiDAR ni de sensores de profundidad.
¿Qué tan bien funciona Robostral Navigate en comparación con otros modelos de navegación?
Alcanza una tasa de éxito del 76,6% en el benchmark R2R-CE validation unseen, superando a los mejores métodos de una sola cámara por 9,7 puntos y a los sistemas con sensores de profundidad/múltiples cámaras por 4,5 puntos.
¿Cómo maneja Robostral Navigate las tareas de navegación cuando el objetivo no es visible en el campo de visión de la cámara?
Cuando el objetivo se encuentra fuera del campo de visión actual de la cámara, el modelo utiliza comandos de desplazamiento en el marco de coordenadas local del robot como método de navegación de respaldo.
¿Qué técnicas de entrenamiento mejoran el rendimiento de navegación de Robostral Navigate?
El modelo utiliza un método de entrenamiento supervisado eficiente con almacenamiento en caché de prefijos que reduce los tokens de entrenamiento 22 veces, y mejora aún más con aprendizaje por refuerzo en línea mediante el algoritmo CISPO, que añadió una ganancia del 3,2% en la tasa de éxito.
{«@context»:»https://schema.org»,»@type»:»FAQPage»,»mainEntity»:[{«@type»:»Question»,»name»:»¿Qué sensores utiliza Robostral Navigate para la navegación de robots?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Robostral Navigate utiliza solo una cámara RGB y no depende de LiDAR ni de sensores de profundidad.»}},{«@type»:»Question»,»name»:»¿Qué tan bien funciona Robostral Navigate en comparación con otros modelos de navegación?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Alcanza una tasa de éxito del 76,6% en el benchmark R2R-CE validation unseen, superando a los mejores métodos de una sola cámara por 9,7 puntos y a los sistemas con sensores de profundidad/múltiples cámaras por 4,5 puntos.»}},{«@type»:»Question»,»name»:»¿Cómo maneja Robostral Navigate las tareas de navegación cuando el objetivo no es visible en el campo de visión de la cámara?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Cuando el objetivo se encuentra fuera del campo de visión actual de la cámara, el modelo utiliza comandos de desplazamiento en el marco de coordenadas local del robot como método de navegación de respaldo.»}},{«@type»:»Question»,»name»:»¿Qué técnicas de entrenamiento mejoran el rendimiento de navegación de Robostral Navigate?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»El modelo utiliza un método de entrenamiento supervisado eficiente con almacenamiento en caché de prefijos que reduce los tokens de entrenamiento 22 veces, y mejora aún más con aprendizaje por refuerzo en línea mediante el algoritmo CISPO, que añadió una ganancia del 3,2% en la tasa de éxito.»}}]}
Artículo producido con la ayuda de inteligencia artificial y revisado por el equipo editorial.
