La corsa verso robot sempre più autonomi compie un passo significativo con Robostral Navigate, un nuovo modello di intelligenza artificiale progettato dall’azienda francese Mistral AI per consentire ai robot di orientarsi e muoversi in ambienti complessi partendo da una semplice istruzione in linguaggio naturale. L’aspetto più interessante non è soltanto la capacità di comprendere indicazioni come “esci dall’atrio, percorri il corridoio, entra nel magazzino e fermati davanti al secondo scaffale”, ma il fatto che il modello riesca a eseguire questi compiti utilizzando esclusivamente una comune telecamera RGB, senza ricorrere a sensori di profondità, LiDAR o configurazioni multi-camera normalmente indispensabili in questo settore.

Si tratta di un approccio che va in controtendenza rispetto alla maggior parte delle piattaforme di navigazione robotica sviluppate negli ultimi anni. Tradizionalmente, i robot autonomi costruiscono una rappresentazione tridimensionale dell’ambiente sfruttando sofisticati sensori dedicati, componenti che incidono sensibilmente sia sui costi, sia sulla complessità dell’hardware. Robostral Navigate dimostra invece che una parte di questo lavoro può essere demandata direttamente all’intelligenza artificiale, riducendo la dipendenza da strumentazione aggiuntiva.

I risultati ottenuti nei benchmark sembrano confermare questa impostazione. Sul test R2R-CE (Room-to-Room in Continuous Environments), considerato uno degli standard di riferimento per valutare la capacità dei robot di seguire istruzioni in ambienti mai incontrati durante l’addestramento, il modello di Mistral AI raggiunge un tasso di successo del 76,6% nella categoria “validation unseen”. Secondo gli sviluppatori, il dato supera di quasi dieci punti percentuali il miglior sistema basato su una singola telecamera e risulta persino superiore ai modelli che utilizzano sensori di profondità o configurazioni con più videocamere.

Il modello, composto da 8 miliardi di parametri e sviluppato interamente in-house, è pensato per adattarsi a piattaforme robotiche molto diverse tra loro. Può essere infatti impiegato su robot mobili con ruote, robot quadrupedi e persino droni, mantenendo prestazioni elevate anche in presenza di telecamere con caratteristiche ottiche differenti. Questa flessibilità amplia notevolmente il ventaglio delle applicazioni possibili, dalla logistica industriale ai servizi di consegna, fino agli impieghi nel settore alberghiero, nella manifattura e negli edifici intelligenti.

Uno degli aspetti più originali riguarda il modo in cui Robostral Navigate decide il movimento successivo. Invece di limitarsi a calcolare coordinate spaziali o traiettorie tridimensionali, il modello individua direttamente il punto dell’immagine verso cui il robot deve dirigersi, indicando anche l’orientamento finale desiderato. Questo sistema di “pointing” rende il comportamento molto più robusto rispetto ai cambiamenti della telecamera o della scala dell’ambiente, evitando che differenze hardware compromettano la navigazione.

Naturalmente, esistono situazioni in cui il punto di destinazione non è ancora visibile nell’inquadratura. In questi casi il sistema passa automaticamente a una modalità più tradizionale, generando istruzioni locali come avanzare di alcuni metri, spostarsi lateralmente oppure ruotare di un determinato angolo. La combinazione dei due approcci permette al robot di affrontare percorsi lunghi e articolati mantenendo una notevole capacità di adattamento anche quando lo scenario cambia improvvisamente.

Dietro queste prestazioni c’è un lavoro significativo anche sul fronte dell’addestramento. Robostral Navigate non deriva dall’adattamento di modelli open source già esistenti, ma è stato costruito partendo da un modello vision-language sviluppato per attività di grounding visivo, come il riconoscimento della posizione degli oggetti, il conteggio degli elementi presenti in una scena e la localizzazione spaziale. Da questa base il sistema ha imparato progressivamente a trasformare la comprensione dell’ambiente in decisioni di movimento.

mistral ai robot

L’intero processo di addestramento è stato svolto in simulazione, consentendo agli sviluppatori di generare rapidamente enormi quantità di dati senza ricorrere a costose sperimentazioni nel mondo reale. Il dataset comprende circa 400.000 traiettorie distribuite in 6.000 scenari differenti, una varietà sufficiente per esporre il modello a configurazioni ambientali estremamente eterogenee.

Un contributo determinante all’efficienza del training arriva inoltre da una tecnica denominata prefix-caching. Attraverso una particolare gestione dell’attenzione durante l’apprendimento, è possibile comprimere intere sequenze di navigazione riducendo di circa ventidue volte il numero di token necessari rispetto ai metodi supervisionati tradizionali. In termini pratici, significa trasformare cicli di addestramento che richiederebbero mesi di elaborazione in processi completabili nell’arco di pochi giorni.

Dopo la fase supervisionata, il modello viene ulteriormente perfezionato mediante apprendimento per rinforzo online. In questa fase il robot impara direttamente dai propri errori, sperimentando strategie differenti e sviluppando comportamenti esplorativi che migliorano la capacità di recuperare da situazioni impreviste. Secondo gli sviluppatori, questa procedura ha incrementato il tasso di successo di oltre tre punti percentuali e il potenziale di crescita non sembra ancora essersi esaurito.