Robostral Navigate: Mô hình điều hướng robot đầu tiên từ Mistral AI

Tư duy

Tóm tắt

Robostral Navigate là một mô hình 8B cho phép robot tự động điều hướng trong các môi trường phức tạp chỉ bằng một camera RGB duy nhất, đạt tỷ lệ thành công 76.6% trên các bài kiểm tra R2R-CE chưa từng thấy — vượt trội hơn các phương pháp đa cảm biến trong khi vẫn đạt hiệu quả cao hơn. Được xây dựng hoàn toàn nội bộ với dữ liệu huấn luyện mô phỏng và các kỹ thuật tối ưu hóa token, mô hình có khả năng khái quát hóa trên nhiều loại robot và thích nghi với các chướng ngại vật thực tế chưa từng gặp trong quá trình huấn luyện. Mô hình kết hợp điều hướng dựa trên chỉ điểm (pointing-based) với học tăng cường để cải thiện liên tục, mở đường cho trí tuệ nhân tạo hiện thân (embodied AI) thống nhất trong lĩnh vực robot.

Hôm nay, chúng tôi giới thiệu Robostral Navigate, mô hình đầu tiên của chúng tôi được xây dựng cho điều hướng hiện thân. Đây là mô hình 8B tiếp nhận hình ảnh RGB và hướng dẫn bằng ngôn ngữ tự nhiên để điều khiển robot di chuyển qua môi trường:

Để thực hiện các tác vụ như vậy, các mô hình khác thường sử dụng cảm biến chiều sâu, LiDAR hoặc nhiều camera phối hợp. Robostral Navigate chỉ sử dụng một camera RGB thông thường và không cần cảm biến chiều sâu, nhưng vẫn đạt 76.6% trên R2R-CE (Room-to-Room in Continuous Environments) ở tập kiểm chứng chưa từng thấy, đây là tiêu chuẩn đánh giá khả năng tuân thủ hướng dẫn trong các môi trường không có trong dữ liệu huấn luyện. Kết quả là, nó đánh bại phương pháp sử dụng camera đơn tốt nhất 9.7 điểm và hệ thống sử dụng cảm biến chiều sâu hoặc nhiều camera tốt nhất 4.5 điểm, mặc dù không sử dụng bất kỳ thiết bị nào trong số đó.

Mô hình của chúng tôi được thiết kế cho điều hướng robot, cho phép robot tự động di chuyển trong các môi trường phức tạp, bao gồm văn phòng, tòa nhà dân cư, thương mại và không gian ngoài trời.

Robostral Navigate đang vận hành hoàn toàn tự động trong một lộ trình hướng dẫn dài hạn xuyên qua một văn phòng đang hoạt động.

Công nghệ này mở ra vô số ứng dụng trong sản xuất, giao hàng, logistics và dịch vụ khách hàng, biến nó thành một trong những khả năng được khách hàng của chúng tôi yêu cầu nhiều nhất hiện nay. Chỉ cần đưa cho Robostral Navigate một hướng dẫn, nó sẽ tự mình hoàn thành toàn bộ tác vụ, di chuyển qua không gian thực tế đầy người và chướng ngại vật mà nó chưa từng thấy trước đó, với khả năng thích nghi với mọi bối cảnh.

Điểm nổi bật

Hiệu suất dẫn đầu trong ngành trên R2R-CE

Tỷ lệ thành công 79.4% trên tập kiểm chứng đã thấy

Tỷ lệ thành công 76.6% trên tập kiểm chứng chưa thấy

Hoạt động chỉ với một camera RGB, không cần LiDAR hoặc cảm biến chiều sâu

Mô hình 8B, được xây dựng nội bộ và huấn luyện hoàn toàn trong môi trường mô phỏng

Chạy trên các robot có bánh xe, robot đi bộ và robot bay, đồng thời khái quát hóa trên nhiều kích thước robot khác nhau

Bền bỉ với sự khác biệt về thông số nội tại của camera

Huấn luyện hiệu quả về token thông qua prefix-caching

Điều hướng thông qua chỉ điểm

Với một tác vụ và lịch sử quan sát, Robostral Navigate dự đoán nơi robot nên di chuyển tiếp theo thông qua việc chỉ điểm: nó suy luận tọa độ hình ảnh của vị trí mục tiêu trong khung hình camera hiện tại của robot, cùng với hướng di chuyển mong muốn khi đến nơi. Không giống như các lệnh dựa trên dịch chuyển theo hệ mét, việc chỉ điểm giúp chính sách này tự nhiên trở nên bền bỉ trước những thay đổi về thông số nội tại của camera và quy mô thế giới.

Tuy nhiên, phương pháp này không thể xử lý các trường hợp vị trí mục tiêu nằm ngoài trường nhìn hiện tại. Khi việc chỉ điểm không áp dụng được, mô hình sẽ chuyển sang sử dụng các dịch chuyển trong khung tọa độ cục bộ của robot, chẳng hạn như:

Được xây dựng từ đầu

Robostral Navigate được xây dựng hoàn toàn nội bộ và không dựa vào các VLM mã nguồn mở hiện có.

Mô hình được khởi tạo từ mô hình ngôn ngữ-hình ảnh của chúng tôi, chuyên biệt cho các tác vụ nền tảng như chỉ điểm, đếm và định vị đối tượng. Điều hướng xuất hiện như một phần mở rộng tự nhiên của các khả năng này: một khi nó hiểu được mọi thứ ở đâu, nó sẽ học cách di chuyển.

Chúng tôi đã xây dựng một quy trình tạo dữ liệu hiệu quả hoàn toàn trong môi trường mô phỏng. Điều này cho phép lặp lại nhanh chóng trên dữ liệu, tạo ra một tập dữ liệu gồm khoảng 400.000 quỹ đạo được thu thập trên 6.000 cảnh.

Huấn luyện có giám sát hiệu quả

Một thành phần quan trọng của Robostral Navigate là thuật toán huấn luyện hiệu quả dựa trên prefix-caching. Sử dụng chiến lược attention-masking dựa trên cây, phương pháp của chúng tôi nén toàn bộ một tập hợp các bước thành một chuỗi duy nhất, cho phép huấn luyện trên tất cả các bước thời gian trong một lần truyền xuôi (forward pass) mà vẫn ngăn chặn rò rỉ thông tin giữa các bước thời gian.

So với việc huấn luyện với một mẫu cho mỗi bước thời gian, phương pháp của chúng tôi giảm số lượng token huấn luyện xuống 22 lần trong khi vẫn bảo toàn tất cả các tín hiệu học tập. Trong thực tế, phương pháp này biến các đợt huấn luyện vốn mất hàng tháng thành các đợt chỉ hoàn thành trong vài ngày.

Học tăng cường trực tuyến

Chúng tôi tận dụng kiến thức về LLM hậu huấn luyện ở quy mô lớn, sử dụng học tăng cường trực tuyến, để thúc đẩy hiệu suất của Robostral Navigate. Sau giai đoạn huấn luyện có giám sát, chúng tôi cải thiện thêm hiệu suất của mô hình bằng CISPO, một thuật toán học tăng cường trực tuyến. Điều này cho phép mô hình học hỏi từ thử và sai, phục hồi sau các lỗi và thu thập các hành vi khám phá, giúp giảm thiểu hiệu quả vấn đề lệch phân phối của phương pháp sao chép hành vi (behavior cloning) thông thường. Chỉ riêng điều này đã cải thiện tỷ lệ thành công thêm 3.2%. Chúng tôi không thấy bất kỳ dấu hiệu chững lại nào, vì vậy chúng tôi tin tưởng rằng việc huấn luyện và thử nghiệm nhiều hơn sẽ tiếp tục đẩy con số này lên cao.

Tiếp theo là gì

Robostral Navigate chỉ là bước đầu tiên hướng tới một tác nhân hiện thân thống nhất.

Chúng tôi tin rằng điều hướng là một khả năng nền tảng cho robot đa năng. Bằng cách kết hợp mô phỏng quy mô lớn, huấn luyện hiệu quả và các tiền đề nền tảng vững chắc, Robostral Navigate chứng minh rằng điều hướng hiện thân tiên tiến nhất có thể đạt được với một mô hình nhỏ gọn và một camera RGB duy nhất.

Hãy bắt đầu hành trình của bạn đến với AI hiện thân tiên phong, hãy trò chuyện với đội ngũ của chúng tôi.

Nhân tiện, chúng tôi đang tuyển dụng!

Việc phát hành các mô hình điều hướng của chúng tôi đánh dấu một bước tiến quan trọng, nhưng hành trình của chúng tôi còn lâu mới kết thúc. Tham vọng của chúng tôi là cho phép robot tự động điều hướng trong các môi trường phức tạp—văn phòng, nhà ở, tòa nhà thương mại và không gian ngoài trời—và còn rất nhiều việc phải làm. Chúng tôi đang tích cực mở rộng đội ngũ robot và tìm kiếm các nhà khoa học nghiên cứu và kỹ sư tài năng, những người có cùng tham vọng với chúng tôi.

Nếu bạn quan tâm đến việc tham gia cùng chúng tôi trong sứ mệnh mang lại khả năng điều hướng liền mạch cho robot ở khắp mọi nơi, chúng tôi hoan nghênh đơn ứng tuyển của bạn để gia nhập đội ngũ!

Bởi Théo Cachet, Arjun Majumdar, Srijan Mishra, Thomas Chabal, Chris Bamford, Elliot Chane-Sane, Benjamin Tibi, Ludovic Ho Fuh, Olivier Duchenne - AI Science Robotics