初めて訪れたオフィスで「奥の会議室まで行ってください」と言われたら、人は目で周りを見ながら歩いていきます。地図も、レーザーで距離を測る装置も使いません。フランスのMistral AI（ミストラルAI）が2026年7月8日に発表したロボット向けモデルは、この「目だけで歩く」能力をロボットに持たせようとするものです。
Robostral Navigate（ロボストラル・ナビゲート）は、単眼のRGBカメラ1台と自然言語の指示だけで、初めて訪れる屋内環境をロボットに移動させる80億パラメータのモデルです。深度センサーやLiDAR、複数カメラを使う既存の手法よりも高い精度を、より少ないセンサー構成で達成したと発表されています。
「どこを目指すか」を画像の中の点で示す
Robostral Navigateの核になっているのは、ポインティングベースのナビゲーションという発想です。ロボットは今見えているカメラ映像の中で、目的地に相当する画像上の座標と、そこに着いたときに向くべき方向を推定します。地図上の座標ではなく、目の前の映像のどこを指せばよいかで目的地を表現する形です。
この方式には利点があります。カメラの画角や設置位置が変わっても、映像の中の一点を指すという処理自体は変わらないため、ハードウェアの違いに影響されにくくなります。目的地が今のカメラ映像に映っていない場合は、「前に2メートル進んで、左に1.5メートル移動する」といった、ロボット自身を基準にした相対的な移動指示に切り替えて対応します。
教師データだけでなく、強化学習で鍛える
モデルは、まず物体の位置関係を理解する専用の視覚言語モデルを土台にし、シミュレーション環境で作った約6,000シーン・40万軌跡のデータで訓練されています。すべてシミュレーション上で生成したデータで、実環境での収集作業を挟まずに済む設計です。
その後、CISPOと呼ばれるオンライン強化学習の手法で仕上げの調整を加えています。教師データだけの学習では、あらかじめ用意した正解の動きをなぞることはできても、想定外の状況に遭遇したときの立て直しが弱くなりがちです。強化学習の段階を挟むことで、試行錯誤しながら失敗から回復する動きや、探索的な行動を身につけさせています。この調整によって成功率が3.2ポイント向上したと報告されています。
単眼カメラが、センサー満載の手法を上回る
性能面での数字も具体的です。訓練時に見た環境と似た検証用環境での成功率は79.4%、まったく未知の環境での成功率は76.6%です。この未知環境でのスコアは、単眼カメラを使う既存手法の最高値を9.7ポイント、深度センサーや複数カメラを使う手法の最高値も4.5ポイント上回っています。
センサーを減らしたほうが精度で勝るという結果は、直感に反するように見えるかもしれません。ただ、センサーが増えるほど、それぞれの情報をどう統合するかという設計の難しさも増えます。深度情報や複数視点のデータをどう重み付けして判断に使うかという調整項目が増えるほど、学習全体の難易度も上がります。カメラ1台の映像だけを頼りに判断する枠組みに絞り込んだことが、かえって学習のしやすさにつながった可能性があります。
車輪型・脚型・飛行ロボットのどれでも動く
Robostral Navigateは、車輪で動くロボット、脚で歩くロボット、飛行するロボットのいずれにも対応しており、機体のサイズが違っても同じモデルで扱える汎化性能を持つとされています。倉庫内を移動する搬送ロボットから、脚で段差を越えるロボットまで、同じナビゲーションの頭脳を使い回せるという想定です。
現時点でMistralは、オープンソースでの公開や具体的なAPI提供の形は明らかにしておらず、導入を検討する企業には自社チームへの相談を案内しています。商用展開の詳細は、これから詰められていく段階にあります。
生成AI企業がロボットに向かう理由
Mistralはこの発表で、ナビゲーションを「汎用ロボット工学の基礎能力」と位置づけています。製造業や物流、ホテル業など、ロボットが人と同じ空間を移動しながら作業する場面は幅広く、その土台となる移動能力を専用モデルとして先に固める狙いがあります。
言語モデルを手がけてきた企業がロボットの身体的な動きに参入する流れは、Mistralに限った話ではありません。評価額が230億ドル近辺に達しているとも報じられるMistralにとって、フィジカルAI（現実世界で動作するAI）は、チャット向けモデルとは別の事業の柱を作る試みでもあります。
センサーを増やすほど賢くなるとは限らない。今回の結果は、ロボットの「目」をどう設計するかという問いを、あらためて突きつけるものになっています。