Mistral AI a lancé Robostral Navigate, un modèle langage-vision de 8 milliards de paramètres permettant aux robots de naviguer de manière autonome avec une simple caméra RGB. Annoncé le 8 juillet 2026, le modèle remet en question le postulat selon lequel un déplacement robotique sûr et fiable nécessite des capteurs LiDAR onéreux ou des caméras de profondeur — et appuie cette remise en question par des scores de benchmark qui surpassent toutes les alternatives multi-capteurs.
Points clés
- Taux de succès de 76,6 % sur des environnements R2R-CE inconnus, surpassant les systèmes multi-capteurs et les caméras de profondeur
- Dépasse la meilleure approche monocaméra précédente de 9,7 points de pourcentage
- Entraîné entièrement en simulation sur 400 000 trajectoires et 6 000 environnements virtuels
- Compatible avec les robots à roues, à pattes et volants sans modification matérielle
- La méthode de mise en cache de préfixes réduit les tokens d'entraînement de 22 fois, compressant des mois de calcul en quelques jours
Fonctionnement : la navigation par pointage
Contrairement aux modèles de navigation classiques qui émettent des commandes de déplacement métriques, Robostral Navigate utilise un mécanisme de pointage : à partir d'une instruction en langage naturel et de la vue caméra actuelle du robot, le modèle prédit les coordonnées en pixels de la cible dans l'image ainsi que l'orientation d'arrivée souhaitée.
Lorsque la cible est hors du champ de la caméra, le modèle bascule sur des déplacements dans le référentiel local — une transition fluide qui maintient le mouvement continu même lorsque l'objectif est invisible.
Cette approche par pointage rend le modèle naturellement robuste aux variations des paramètres intrinsèques de la caméra et à l'échelle du monde. Un seul modèle peut piloter des robots de tailles et de configurations différentes sans ré-entraînement, ce qui est rare dans les systèmes d'IA incarnée actuels.
Une avancée dans l'efficacité d'entraînement
La construction de Robostral Navigate a nécessité de résoudre un problème d'efficacité d'entraînement qui freinait la recherche en IA incarnée. L'équipe de Mistral a développé une méthode de mise en cache de préfixes avec masquage d'attention arborescent qui réduit les tokens d'entraînement nécessaires de 22 fois par rapport aux approches classiques par horodatage. Ce qui demandait plusieurs mois de calcul se réalise désormais en quelques jours.
Au-dessus de la base d'entraînement supervisé, l'apprentissage par renforcement via l'algorithme CISPO a ajouté 3,2 points de pourcentage supplémentaires de taux de succès — sans aucun plafonnement observé. Mistral indique que les expériences de RL continuent de montrer des gains, suggérant que le modèle dispose encore d'une marge de progression.
L'ensemble du modèle a été développé en interne, sans recourir à des VLMs open source existants.
Résultats sur le benchmark
Sur le benchmark Room-to-Room Continuous Environments (R2R-CE), référence standard pour la navigation intérieure en environnements inconnus :
- Validation (environnements connus) : 79,4 % de succès
- Validation (environnements inconnus) : 76,6 % de succès
Ces résultats dépassent le meilleur système monocaméra de 9,7 points et surpassent la meilleure approche multi-capteurs ou multi-caméras de 4,5 points, malgré un accès à moins de données sensorielles.
Applications cibles
Le modèle est conçu pour un déploiement concret dans des environnements complexes, intérieurs comme extérieurs :
- Industrie manufacturière — navigation autonome en atelier et entrepôt
- Livraison et logistique — livraison intérieure du dernier kilomètre sans matériel lourd
- Hôtellerie — navigation en hôtel, commerce de détail et bâtiment
- Bureaux et environnements résidentiels — orientation dans des espaces peuplés et dynamiques
L'équipe de Mistral a démontré Robostral Navigate accomplissant des tâches complètes de manière autonome dans des espaces en direct, occupés par des personnes et des obstacles jamais rencontrés lors de l'entraînement.
Ce que cela signifie
L'importance est autant économique que technique. Les capteurs LiDAR et les configurations multi-caméras peuvent ajouter plusieurs milliers d'euros par unité robotique. Un modèle prêt pour la production offrant des performances supérieures avec une simple caméra RGB standard — le type déjà présent sur la plupart des robots grand public — abaisse considérablement la barrière au déploiement massif de l'IA incarnée.
Pour les acteurs industriels et logistiques de la région MENA et au-delà, cette réduction de coûts pourrait accélérer significativement les calendriers d'adoption. Le déploiement est disponible via le canal commercial de Mistral pour les clients entreprises.
Source : Mistral AI