Robostral Navigate to nowy, zaawansowany model sztucznej inteligencji o skali 8 miliardów parametrów, który umożliwia robotom autonomiczną nawigację w złożonych środowiskach. W przeciwieństwie do większości współczesnych rozwiązań, które wymagają kosztownych czujników głębi, systemów LiDAR czy zestawów wielu kamer, Robostral Navigate polega wyłącznie na obrazie z pojedynczej kamery RGB. Mimo tak minimalistycznej konfiguracji sprzętowej, model osiąga imponującą skuteczność na poziomie 76,6% w testach R2R-CE (Room-to-Room in Continuous Environments), przewyższając tym samym bardziej rozbudowane systemy wieloczujnikowe.
Przełom w autonomicznej nawigacji
Zdolność robota do zrozumienia poleceń wydawanych w języku naturalnym i przekształcenia ich w precyzyjne ruchy jest kluczowa dla rozwoju robotyki użytkowej. Przykładowe zadanie, takie jak: „Opuść lobby, przejdź przez korytarz, wejdź do pomieszczenia gospodarczego i zatrzymaj się przodem do drugiej półki”, jest dla Robostral Navigate w pełni wykonalne bez ingerencji człowieka. Dzięki temu technologia ta znajduje zastosowanie w logistyce, produkcji, hotelarstwie oraz w przestrzeniach biurowych i mieszkalnych.
Wydajność modelu w porównaniu do innych rozwiązań prezentuje się następująco:
Technologia wskazywania i adaptacja
Fundamentem działania modelu jest technika nawigacji oparta na wskazywaniu (pointing). Zamiast polegać wyłącznie na sztywnych współrzędnych metrycznych, model analizuje historię obserwacji i przewiduje współrzędne obrazu celu w bieżącym widoku kamery. Takie podejście sprawia, że system jest niezwykle odporny na różnice w parametrach optycznych kamer oraz zmiany skali otoczenia. W sytuacjach, gdy cel znajduje się poza polem widzenia, model automatycznie przełącza się na nawigację opartą na przemieszczeniach w lokalnym układzie współrzędnych robota, np. „przesuń się o 2 metry do przodu i skręć o 25 stopni w lewo”.
Efektywność szkolenia i rozwój modelu
Model został stworzony od podstaw, bez wykorzystania istniejących, ogólnodostępnych modeli wizyjno-językowych. Proces szkolenia oparto na symulacjach, w ramach których wygenerowano około 400 000 trajektorii w 6 000 różnych scenach. Kluczowym osiągnięciem technicznym jest zastosowanie strategii maskowania uwagi opartej na drzewach (prefix-caching), co pozwoliło skompresować całe epizody nawigacyjne do pojedynczej sekwencji. Dzięki temu proces szkolenia, który tradycyjnie mógłby trwać miesiące, został skrócony do zaledwie kilku dni, przy jednoczesnej redukcji liczby przetwarzanych tokenów o 22-krotność.
Po zakończeniu etapu szkolenia nadzorowanego, twórcy wykorzystali algorytm uczenia przez wzmacnianie online (CISPO). Pozwala on modelowi uczyć się na własnych błędach, skutecznie radzić sobie z sytuacjami, których nie przewidziano w fazie treningowej, oraz wykazywać zachowania eksploracyjne. To rozwiązanie pozwoliło podnieść skuteczność modelu o dodatkowe 3,2%.
Robostral Navigate wykazuje dużą uniwersalność – model z powodzeniem współpracuje z robotami kołowymi, kroczącymi oraz latającymi, niezależnie od ich rozmiaru. Twórcy podkreślają, że jest to dopiero pierwszy krok w stronę stworzenia ujednoliconego agenta robotycznego, a dalsze prace nad skalowaniem modelu mają na celu jeszcze większe zwiększenie jego skuteczności w nieprzewidywalnych warunkach rzeczywistych.
