اگر امروز برای تجهیز ربات‌های خود به حسگرهای گران‌قیمت لیدار هزینه می‌کنید، باید بدانید که یک دوربین ساده‌ی ارزان‌قیمت اکنون می‌تواند دقت ناوبری آن‌ها را بیشتر کند. در ۸ ژوئیه ۲۰۲۶، شرکت Mistral AI مدل Robostral Navigate را رونمایی کرد؛ یک مدل ۸ میلیارد پارامتری که ربات‌ها را قادر می‌سازد تنها بر اساس دستوراتی به زبان ساده، در محیط‌های کاملاً ناشناخته حرکت کنند.
این تحول در حالی رخ می‌دهد که صنعت رباتیک برای ایجاد تعادل میان هزینه‌های سخت‌افزاری و قابلیت اطمینان در خودمختاری در تکاپو است. برای درک بهتر این تغییر، می‌توان به روش‌های سنتی مسیریابی ربات‌ها از شمارش دور چرخ تا سامانه‌های پیچیده SLAM اشاره کرد که پیش از این بررسی کرده بودیم. در حالی که بیشتر ربات‌های پیشرفته برای دوری از موانع به حسگرهای عمق یا آرایه‌های چندگانه دوربین تکیه می‌کنند، Mistral AI روی مبنی‌سازی (Grounding) — شبیه به این است که مدل یاد بگیرد دقیقاً کدام کلمه به کدام نقطه از تصویر اشاره دارد — شرط‌بندی کرده است. همان‌طور که در پوشش پیشین ما از استراتژی ۲۳ میلیارد دلاری Mistral برای ایجاد یک اکوسیستم هوش مصنوعی حاکمیتی دیدیم، این مدل اکنون هوشمندی را از سخت‌افزار حسگرها به درون شبکه عصبی (Neural Network) — شبکه‌ای از سلول‌های کوچک، شبیه نقشهٔ مترو، که سیگنال را از ورودی به جواب می‌رساند — منتقل می‌کند.
Robostral Navigate برای محیط‌های متنوع و با پیچیدگی بالا طراحی شده است. این محیط‌ها شامل دفاتر اداری، خانه‌های مسکونی، ساختمان‌های تجاری و حتی فضاهای باز می‌شود. این مدل قادر است دستورات «طولانی-افق» (long-horizon) را اجرا کند؛ یعنی دستوراتی که شامل چندین مرحله متوالی هستند. برای مثال: «از لابی خارج شو، از راهرو عبور کن، وارد اتاق تجهیزات شو و مقابل قفسه دوم توقف کن». این رویکرد، یادآور تلاشات چارچوب Strands Labs برای پیاده‌سازی کنترل ربات‌ها با زبان طبیعی است که هدف آن تسهیل تعامل انسان و ماشین در محیط‌های فیزیکی بود.
طبق اعلام رسمی در وب‌سایت mistral.ai، این سامانه برخلاف راهکارهای فعلی، در فضاهایی زنده که پر از آدم و موانعی است که هرگز در طول آموزش به مدل نشان داده نشده‌اند، به‌راحتی حرکت می‌کند. این قابلیت برای بخش‌های پرتقاضایی که نیاز به دقت و انعطاف‌پذیری دارند، حیاتی است. از جمله این بخش‌ها می‌توان به تولید و لجستیک، تحویل کالا در مرحله نهایی (Last-mile delivery) و خدمات هتلداری اشاره کرد.
این مدل با پیش‌بینی حرکت بعدی از طریق یک مکانیسم «اشاره کردن» عمل می‌کند. به جای محاسبه مسافت‌های دقیق ریاضی (Metric Distances)، مدل مختصات هدف در تصویر و جهت چرخش مورد نیاز را استنتاج (Inference) می‌کند — یعنی همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی، نه دوره‌ی آموزش آشپز. وقتی مقصد از کادر دوربین خارج شود، مدل به جابه‌جایی‌های محلی تغییر رویه می‌دهد؛ مثلاً دو متر جلو، یک و نیم متر چپ و ۲۵ درجه چرخش به چپ.
بر اساس مستندات منتشر شده، نتایج این مدل در محک R2R-CE (اتاق به اتاق در محیط‌های پیوسته) به شرح زیر است:
- ۷۶.۶٪ نرخ موفقیت در داده‌های اعتبارسنجی دیده‌نشده (Unseen)
- ۷۹.۴٪ نرخ موفقیت در داده‌های اعتبارسنجی دیده‌شده (Seen)
- برتری ۹.۷ امتیازی نسبت به بهترین روش‌های تک‌دوربینه فعلی
- برتری ۴.۵ امتیازی نسبت به بهترین سامانه‌های مجهز به حسگر عمق یا دوربین‌های متعدد
Mistral AI برای رسیدن به این نتایج، مدل را کاملاً داخلی و بدون تکیه بر مدل‌های بینایی-زبانی (VLM) متن‌باز یا موجود ساخت. معماری این مدل از یک مدل بینایی-زبانی تخصصی آغاز شد که در کارهای مبنی‌سازی مانند شمارش، مکان‌یابی اشیا و اشاره کردن مهارت داشت.
در بخش فنی، چندین بهینه‌سازی کلیدی برای ارتقای کارایی صورت گرفت:
- تولید داده: Mistral یک خط لوله شبیه‌سازی بسیار بهینه ایجاد کرد. این سیستم برای جمع‌آوری حدود ۴۰۰,۰۰۰ مسیر (Trajectory) در ۶,۰۰۰ صحنه منحصربه‌فرد مورد استفاده قرار گرفت.
- بهره‌وری توکن: آن‌ها از روش «پیش‌باندهای حافظه‌پذیر» (prefix-caching) با استفاده از یک استراتژی ماسک‌گذاری توجهِ درخت‌گونه بهره بردند. این تکنیک باعث می‌شود کل یک اپیزود در یک توالی واحد فشرده شود و از نشت اطلاعات (Information Leakage) بین گام‌های زمانی جلوگیری شود.
- کاهش محاسبات: این بهینه‌سازی تعداد توکن (Token) — تکه‌های کوچکی از متن، شبیه برش‌های یک کیک طولانی — مورد نیاز برای آموزش را ۲۲ برابر کم کرد. این امر باعث شد فرآیندهایی که معمولاً چندین ماه زمان می‌بردند، در عرض چند روز به پایان برسند.
- سازگاری سخت‌افزاری: مدل در برابر تفاوت‌های پارامترهای داخلی دوربین‌ها (Camera Intrinsics) مقاوم است و به‌طور کلی روی انواع ربات‌های چرخ‌دار، چهارپا و پلتفرم‌های پرنده در تمامی اندازه‌ها به درستی تعمیم می‌یابد.
برای پالایش بیشتر، Mistral از الگوریتم CISPO استفاده کرد. این یک الگوریتم یادگیری تقویتی آنلاین (Online RL) است که به مدل اجازه می‌دهد از طریق آزمون و خطا یاد بگیرد، از شکست‌ها بازیابی کند و رفتارهای اکتشافی را به دست آورد. این گام به‌طور خاص نرخ موفقیت را ۳.۲٪ افزایش داد، زیرا تغییرات توزیعی (Distribution Shifts) را که در روش‌های معمول «همانندسازی رفتار» (Behavior Cloning) رایج است، کاهش داد. Mistral خاطرنشان کرد که هنوز به سقف عملکرد نرسیده و با آموزش بیشتر، پیشرفت‌های بیشتری ممکن است.
این پیشرفت، پیش‌فرض‌های اقتصادی در هوش مصنوعی تجسم‌یافته (Embodied AI) را تغییر می‌دهد. با حذف نیاز به لیدار و حسگرهای عمق، هزینه قطعات (Bill of Materials) برای ربات‌های تحویل‌دهنده و هتلداری به‌شدت کاهش می‌یابد. این موضوع ثابت می‌کند که «مبنی‌سازی» — یعنی توانایی مدل در مرتبط کردن زبان به مختصات بصری خاص — برای ناوبری بسیار ارزشمندتر از داده‌های خام مکانی است. این تحول بخشی از روند گسترده‌تر گذار از هوش مصنوعی مولد به سمت عامل‌های هوشمند است، جایی که AI تنها به تولید محتوا بسنده نمی‌کند، بلکه اهداف پیچیده را در دنیای واقعی اجرا می‌کند.
برای اپراتورهای تجاری در بخش لجستیک و تولید، این بدان معناست که مانع استقرار ناوگان‌های خودران دیگر هزینه سخت‌افزاری مجموعه حسگرها نیست، بلکه کیفیت مدل بینایی است. رویکرد Mistral آینده‌ای را ترسیم می‌کند که در آن یک دوربین ارزان‌قیمت و تجاری (Off-the-shelf) برای ناوبری در محیط‌های پیچیده انبار یا دفتر کافی باشد.
در حالی که Mistral AI به گسترش تیم رباتیک خود ادامه می‌دهد و دانشمندان پژوهشی و مهندسان را برای تحقق چشم‌انداز «عامل‌های تجسم‌یافته واحد» جذب می‌کند، گام بعدی انتقال این دستاوردهای شبیه‌سازی شده به محیط‌های انسانی متراکم و غیرقابل کنترل در مقیاس وسیع خواهد بود. باید منتظر ادغام این پیش‌نیازهای ناوبری در عامل‌های تجسم‌یافته بزرگ‌تر و چندمنظوره باشیم.
گام بعدی شما
- اگر توسعه‌دهنده رباتیک هستید، روی جایگزینی حسگرهای عمق با مدل‌های بینایی-زبانی متمرکز شوید.
- نتایج مدل‌های تک‌دوربینه در محیط‌های با تراکم انسانی بالا را دنبال کنید.
- بررسی کنید که چگونه کاهش هزینه‌ی سخت‌افزاری می‌تواند بازگشت سرمایه (ROI) ناوگان رباتیک شما را تسریع کند.
اما چالش اصلی اکنون انتقال این دستاوردهای شبیه‌سازی شده به محیط‌های واقعی و غیرقابل کنترل است؛ در تحلیل بعدی ما درباره عامل‌های هوشمند در محیط‌های متراکم، این موضوع را بررسی خواهیم کرد.
گفتگو