Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
IA physiquearXiv cs.RO 

Robostral Navigate

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Voici l'article traduit et résumé :

Des chercheurs présentent Robostral Navigate, un modèle vision-langage de 8 milliards de paramètres dédié à la navigation robotique, entraîné à partir d'un unique flux de caméra RGB monoculaire. Contrairement aux systèmes actuels qui s'appuient sur des capteurs de profondeur, des rigs multi-caméras ou des cartes préconstruites, le modèle prédit directement des points de passage en pointant vers la prochaine position cible dans l'image de la caméra courante. Cette approche, opérant en espace image plutôt qu'en coordonnées propres au robot, le rend robuste aux variations d'intrinsèques caméra et d'échelle de scène. L'équipe a généré 2,4 millions de trajectoires sur 350 000 scènes simulées pour limiter la collecte de données réelles, et développé une recette d'entraînement par mise en cache de préfixes qui réduit le nombre de tokens d'entraînement d'un facteur 22, ramenant le temps d'entraînement de plusieurs mois à quelques jours. Un masque d'attention arborescent empêche le modèle de se reposer sur les actions vérité-terrain précédentes, et de l'apprentissage par renforcement améliore ensuite ses capacités d'exploration et de récupération. Sur les benchmarks R2R-CE et RxR-CE, Robostral Navigate établit un nouvel état de l'art : 77,4% de taux de réussite sur R2R-CE (10,5 points devant la meilleure méthode monoculaire, 5,3 points devant le meilleur système à profondeur ou multi-caméras), et 75,1% sur RxR-CE, devançant toutes les références monoculaires.

L'intérêt pour l'industrie tient au découplage entre performance de navigation et richesse capteur : un seul flux RGB suffit désormais à surpasser des systèmes équipés de capteurs de profondeur, ce qui réduit le coût matériel de déploiement et permet, en théorie, une portabilité directe entre robots à roues, robots à pattes et drones sans recalibration. Cela remet en question l'hypothèse répandue selon laquelle la perception de profondeur explicite serait nécessaire pour une navigation fiable en environnement complexe.

Il s'agit toutefois d'un travail de recherche publié sur arXiv (arXiv:2607.20785v1), entraîné et validé en simulation sur des benchmarks académiques standards de navigation vision-langage (Room-to-Room et Room-Across-Room en environnements continus), sans mention de déploiement sur robot physique ni de partenaire industriel. La méthode s'inscrit dans la lignée des modèles VLA appliqués à la navigation, où la généralisation inter-embodiments et la réduction des coûts de collecte de données réelles restent des enjeux centraux pour un passage à l'échelle en production.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Mistral AI lance Robostral Navigate
1Robot Magazine FR 

Mistral AI lance Robostral Navigate

Reformuler ce communiqué en article journalistique neutre, en signalant que les chiffres proviennent uniquement de la communication Mistral, sans donnée sim-to-real indépendante. --- Mistral AI a présenté Robostral Navigate, un modèle de navigation robotique construit selon une architecture Vision-Language-Action : une caméra RGB classique et des instructions en langage naturel remplacent la combinaison habituelle LiDAR, caméras de profondeur, centrale inertielle et cartographie SLAM. Le modèle compte 8 milliards de paramètres, une taille pensée pour tourner sur des plateformes embarquées à ressources limitées plutôt que sur des clusters distants. Selon Mistral, l'entraînement s'est appuyé sur près de 400 000 trajectoires générées dans plus de 6 000 environnements simulés, couvrant bureaux, entrepôts, usines et logements. En fonctionnement, le pipeline doit interpréter le flux vidéo, comprendre la consigne, localiser la cible, planifier une trajectoire, éviter les obstacles fixes et mobiles, et corriger sa position en continu, l'ensemble devant tenir dans un budget de quelques dizaines de millisecondes par cycle de décision. L'intérêt pour les fabricants de robots mobiles tient d'abord au coût : une caméra RGB se chiffre en dizaines d'euros contre plusieurs centaines, voire milliers d'euros pour un LiDAR industriel, ce qui allège aussi bien la facture matérielle que l'intégration logicielle. Sur le fond, Robostral Navigate teste à l'échelle de la navigation pure une hypothèse déjà explorée côté manipulation par les modèles VLA : qu'un système entraîné majoritairement en simulation puisse généraliser à des environnements réels variés sans empiler les capteurs. C'est une promesse à vérifier plutôt qu'un résultat acquis, les chiffres de 400 000 trajectoires et 6 000 environnements provenant uniquement de la communication de Mistral, sans benchmark tiers ni donnée publiée sur l'écart sim-to-real en conditions réelles. Pour les intégrateurs et décideurs industriels, la question qui reste ouverte est celle de la robustesse hors simulation, dans des lieux encombrés, mal éclairés ou changeants. Mistral AI, jusque-là identifiée aux grands modèles de langage (Mistral Large, Mixtral) et positionnée comme l'alternative européenne face à OpenAI et Google, franchit ici son premier pas affiché vers la Physical AI, terrain déjà occupé par NVIDIA avec GR00T N2, Figure AI avec Helix, ou Physical Intelligence avec Pi-0. L'entreprise française n'a pas communiqué de calendrier de déploiement industriel ni de partenariat matériel identifié à ce stade ; Robostral Navigate reste, en l'état des informations disponibles, une annonce de capacité logicielle plutôt qu'un produit livré ou testé en flotte réelle.

UEMistral AI, entreprise française et alternative européenne aux géants américains de l'IA, franchit son premier pas vers la robotique physique, ce qui renforce le positionnement technologique de la France et de l'UE face aux acteurs américains et chinois du secteur.

FR/EU ecosystemeActu
1 source
Comment l'IA à base d'agents permet la navigation robotique généraliste
2Robotics Business Review 

Comment l'IA à base d'agents permet la navigation robotique généraliste

Les systèmes de navigation robotique traditionnels s'appuient sur un pipeline déterministe en cinq étapes séquentielles: perception, localisation, cartographie, planification, contrôle. Des techniques comme le SLAM (Simultaneous Localization and Mapping) permettent à un robot de construire une carte et d'estimer sa position en temps réel, mais ces approches supposent un environnement relativement stable. Dès qu'un robot sort d'un entrepôt balisé ou d'une cellule d'usine pour se retrouver dans un domicile, une zone sinistrée, un chantier ou une opération logistique extérieure, les performances se dégradent: obstacles mobiles, cartes incomplètes, terrains inconnus font échouer les hypothèses de base du pipeline. L'IA agentique propose une rupture architecturale en ajoutant une couche d'orchestration au-dessus du stack existant. Plutôt qu'exécuter une séquence fixe de modules, ces systèmes coordonnent dynamiquement perception, planification et contrôle en fonction de l'objectif courant, via des boucles de raisonnement itératives, une mémoire contextuelle et un usage dynamique d'outils invocables à la demande. L'impact concret pour les intégrateurs et décideurs est structurel. En traitant ses propres capacités comme des outils sélectionnables selon le contexte, un robot agentique peut adapter sa stratégie de navigation sans reprogrammation explicite de chaque scénario, ce qui élargit significativement le périmètre de déploiement réel. Cela remet en question l'hypothèse longtemps dominante selon laquelle la robotique mobile généraliste exige une pré-cartographie exhaustive et des règles explicites pour chaque situation rencontrée. L'approche agentique suggère qu'une part de cette rigidité peut être remplacée par un raisonnement contextuel, rapprochant la navigation robotique de la capacité d'adaptation d'un opérateur humain en terrain inconnu. Pour un COO industriel, cela se traduit par une réduction potentielle des coûts de mise en service et une plus grande tolérance aux variations d'environnement entre sites. Ce changement de paradigme s'inscrit dans une évolution longue. Les architectures réactives des années 1980, popularisées par Rodney Brooks avec la subsumption architecture, répondaient aux capteurs sans modèle global. Les générations suivantes ont introduit SLAM et la planification par graphes, dominant le secteur durant les années 2000-2010. L'émergence des LLMs et des modèles VLA (Vision-Language-Action) à partir de 2022-2023 ouvre une troisième voie. Sur le plan concurrentiel, des acteurs comme Boston Dynamics, Figure AI et Agility Robotics investissent dans ces architectures agentiques pour leurs robots humanoïdes et AMR. En Europe, Enchanted Tools et Wandercraft restent positionnés sur des segments spécialisés, mais l'architecture agentique pourrait modifier les équilibres en abaissant le coût d'adaptation aux environnements non structurés. Les prochaines étapes attendues incluent des benchmarks standardisés pour évaluer la performance hors environnements contrôlés, ainsi que les premières intégrations commerciales dans la logistique du dernier kilomètre et les services à domicile.

UEEnchanted Tools et Wandercraft sont cités comme acteurs européens dont les positions concurrentielles pourraient être réévaluées si l'architecture agentique abaisse le coût d'adaptation aux environnements non structurés.

IA physiqueOpinion
1 source
GemNav : navigation robotique visuelle par tokens discrets via un grand modèle de langage multimodal
3arXiv cs.RO 

GemNav : navigation robotique visuelle par tokens discrets via un grand modèle de langage multimodal

GemNav, une nouvelle politique de navigation visuelle pour robots, s'écarte de la recette habituelle du secteur : un encodeur visuel dédié, une tête d'action sur mesure, et un entraînement sur des milliers d'heures de données cross-embodiment. À la place, l'équipe adapte un Modèle de Langage Multimodal (MLLM) figé via LoRA appliqué uniquement à la tour langage, sans encodeur visuel auxiliaire ni tête de régression continue. Les waypoints et les signaux de navigation catégoriels partagent un unique vocabulaire de tokens discrets généré par la tête du modèle de langage, et une perte auxiliaire "soft-decoded" permet de récupérer la structure métrique que l'entropie croisée pure perdrait autrement. Entraîné sur un seul corpus ouvert de 8,7 heures, soit environ mille fois moins de données que les jeux d'entraînement concurrents, GemNav transfère en zero-shot vers quatre environnements physiquement distincts et inédits. Sur 20 essais réels, le robot s'arrête entre 0,25 et 0,42 mètre de l'objectif, couvrant un parking extérieur, un parking avec obstacles, une longue cour industrielle chimique en extérieur et un entrepôt intérieur. Ce résultat pèse sur un débat central de la robotique fondée sur les modèles de fondation : faut-il vraiment des encodeurs visuels spécialisés et des volumes massifs de données pour obtenir une navigation robuste et généralisable ? En montrant qu'une simple adaptation par tokens discrets d'un MLLM déjà pré-entraîné suffit à atteindre une précision d'arrivée sous le demi-mètre sur des terrains variés jamais vus à l'entraînement, GemNav suggère une voie plus économe en données et en calcul pour déployer des politiques de navigation, un argument qui parlera directement aux intégrateurs et décideurs B2B soucieux du coût d'entraînement et de collecte de données. L'étude apporte aussi une nuance utile : ajouter un historique d'images courtes améliore les métriques hors ligne mais n'apporte aucun bénéfice mesurable sur le robot réel, ce qui indique un plafond sur l'utilité du contexte temporel une fois que les features visuelles pré-entraînées sont en place. Le travail s'inscrit dans la lignée des politiques de navigation dites "VLA" (vision-language-action) qui cherchent à réutiliser des modèles de fondation existants plutôt que d'entraîner des architectures spécialisées from scratch, une tendance également explorée par des approches comme GR00T N2 ou Pi-0 dans le domaine de la manipulation. En limitant drastiquement la taille du corpus d'entraînement nécessaire, GemNav ouvre la voie à des déploiements plus rapides et moins coûteux pour des flottes de robots mobiles autonomes (AMR) en environnement industriel ou logistique, même si la validation reste pour l'instant limitée à des essais ponctuels plutôt qu'à un déploiement à grande échelle.

IA physiqueOpinion
1 source
ABot-N1 : vers un modèle fondation vision-langage-navigation généraliste
4arXiv cs.RO 

ABot-N1 : vers un modèle fondation vision-langage-navigation généraliste

Une équipe de recherche publie ABot-N1, un modèle fondateur de navigation vision-langage (VLN) décrit dans l'article arXiv:2607.10383v1. Le système repose sur une architecture "slow-fast" qui découple la cognition du contrôle : un raisonneur vision-langage lent effectue un raisonnement explicite en chaîne de pensée (Chain-of-Thought) et produit un "pixel goal", un jeu compact de points d'ancrage dans l'image servant d'interface universelle pour plusieurs tâches (atteinte de point, atteinte d'objet, atteinte de point d'intérêt, suivi d'instructions, suivi de personne). Un expert d'action rapide exploite ensuite ces indices textuels et pixel pour générer des waypoints continus à la fréquence native de contrôle du robot. Sur les benchmarks, ABot-N1 revendique de nouveaux records : le taux d'arrivée sur point d'intérêt (POI) progresse de 35 points, passant à 77,3%, avec des taux de réussite de 95,4% en intérieur complexe et 92,9% en extérieur. Les auteurs publient également en open source de nouveaux benchmarks Point-Goal et POI-Goal pour la navigation à l'échelle urbaine. L'enjeu dépassé la simple démonstration technique : les approches VLN actuelles reposent le plus souvent sur des politiques monolithiques qui mappent directement observations et actions, ce qui provoque des dérives de coordonnées et une gestion médiocre des cas rares (long-tail), tout en restant des boîtes noires peu interprétables. En séparant explicitement le raisonnement du contrôle bas niveau via des ancrages pixel, ABot-N1 cherche à concilier généralité, robustesse et transparence, un compromis que peu de modèles de navigation embarquée atteignent simultanément. Pour les intégrateurs robotiques et les concepteurs de flottes autonomes (livraison, AMR urbains, robots de service), c'est un signal que les modèles VLA/VLN à grande échelle commencent à traiter sérieusement l'écart entre démonstration en simulation et fiabilité en conditions réelles, notamment sur les scénarios urbains à grande échelle, historiquement un point faible du secteur. Le papier s'inscrit dans la vague plus large des modèles fondateurs de navigation et d'action visio-langage, qui cherche à unifier raisonnement spatial profond et polyvalence face à des tâches embarquées variées, un axe de recherche parallèle à celui des modèles manipulation-centric comme Pi-0 ou GR00T N2. En publiant à la fois le modèle et de nouveaux benchmarks Point-Goal/POI-Goal en open source, les auteurs positionnent ABot-N1 comme une base de comparaison pour la communauté plutôt qu'un produit commercial fini, sans calendrier de déploiement réel ni partenaire industriel annoncé à ce stade.

IA physiquePaper
1 source