Mistral AI 推出 Robostral Navigate：單一 RGB 相機完成語言導航
2026-07-08
事件摘要
Mistral AI 於 7 月 8 日發表旗下第一個具身導航模型 Robostral Navigate，這是一個 80 億參數的視覺語言動作（VLA）模型，特色是只需要單一顆 RGB 相機作為感測輸入，就能理解自然語言描述的路線指令（例如「沿著走廊走到底，經過第二個路口後左轉」）並轉換成實際的移動動作。在官方公布的基準測試裡，模型達到 76.6% 的任務成功率。
技術意義解讀
這則消息值得放在本站第 6 章 Nav2 導航的脈絡下理解——傳統機器人導航（包括本站教學介紹的 Nav2 完整流程）依賴的是明確的座標目標：使用者或上層系統要先把「去哪裡」轉換成地圖座標系裡的一個具體位置，才能交給 planner_server 規劃路徑。Robostral Navigate 這類模型嘗試打破的正是這個環節——直接把自然語言指令當作輸入，模型內部完成「語言理解 → 環境感知 → 動作決策」的完整映射，不需要事先準備好精確的目標座標。
只靠單一 RGB 相機（而不是本站第 6.2 節介紹的雷射雷達或深度相機）是另一個值得注意的技術選擇——這代表模型必須從純視覺訊號裡，隱式地學會場景理解與空間推理，而不是依賴額外的深度或距離量測硬體，對感測器成本與體積都是有利的方向，但 76.6% 的成功率也說明這類模型距離傳統 SLAM 加上明確座標規劃的可靠度，仍有一段落差，目前更適合定位為輔助或特定情境下的互補方案，而不是取代現有導航技術棧。