カメラ1台でロボットが動く — Mistral AIがコーディングの次に選んだ領域

AI企業の競争軸が変わりつつある。

OpenAI、Anthropic、Google——主要プレイヤーはこぞってコーディングエージェントとマルチモーダルモデルに投資している。そんな中、フランスのMistral AIが7月8日に発表したのはロボットを歩かせるAIモデルだった。

名前はRobostral Navigate。Mistral初のロボティクスモデルで、しかもカメラ1台だけでロボットを目的地まで誘導する。

何がすごいのか

従来のロボットナビゲーションは高価なセンサーを複数搭載するのが前提だった。LiDAR（レーザー測距装置）、深度カメラ、場合によってはGPSやIMU（慣性計測装置）を組み合わせて、ロボットに「今どこにいるか」を理解させる。

Robostral Navigateは、普通のRGBカメラ1台と自然言語の指示だけで動く。「廊下を進んで、2番目のドアを右に曲がって」と言えば、ロボットがカメラ映像だけを頼りに移動する。

R2R-CE（Room-to-Room in Continuous Environments）という室内ナビゲーションベンチマークで、未知の環境に対して76.6%の成功率を記録した。既存の単一カメラ手法より9.7ポイント高く、深度カメラや複数センサーを使うシステムさえ4.5ポイント上回っている。

8Bパラメータという小さなモデルが、高価なセンサー群を積んだ大型システムに勝っている。これは率直に驚いた。

「指さし」で動くという発想

技術的に面白いのは、ナビゲーションの仕組みだ。

多くのロボットナビゲーションシステムは「前に2メートル進め、右に45度回転しろ」のように固定的な距離・角度で移動を指示する。Robostral Navigateは違う。カメラに映る画像の中で「次に行くべき場所の座標」と「到着時の向き」を推論する。人間が指をさして「あっちに行け」と示すのに近い。

この「ポインティング方式」の利点は汎用性だ。カメラの画角やロボットの大きさが変わっても、座標推論の仕組み自体は同じように機能する。結果として、車輪型、脚型、さらには飛行型のロボットにも適用できるとMistralは主張している。

シミュレーションだけで訓練

もう一つの注目点は、現実世界の走行データを一切使っていないこと。約6,000のシミュレーション環境で40万本の走行軌跡を生成し、さらにオンライン強化学習で精度を上げている。

シミュレーションのみの訓練で実環境に適応できるか（sim-to-real transfer）は、ロボティクスAIの長年の課題だ。Mistralはベンチマーク上の数値は示したが、実際の工場や倉庫での運用データはまだ公開していない。ここが今後の評価を分けるポイントになるだろう。

LLM企業がロボットに向かう理由

Mistralがロボティクスに参入した背景には、物理AIへの需要の高まりがある。Bloombergの報道によると、Mistralは製造業、物流、配送、ホスピタリティ分野からの引き合いが強いとしている。

同じ週にGoogleのDeepMindがGemini Robotics ER-16を発表し、NVIDIAはCosmos 3を更新した。OpenAIは最近、Figure AIのヒューマノイドロボットとの提携を進めている。LLM企業が一斉にロボティクスに触手を伸ばしているのは、テキスト・コーディング市場が飽和しつつある中で、物理世界のAIが次の成長領域だと見ているからだろう。

ただ、Mistralのアプローチは他社と少し違う。GoogleやNVIDIAが大規模な基盤モデル + 専用ハードウェアの方向に進む中、Mistralは8Bの軽量モデル + 汎用カメラという「安い組み合わせ」で勝負している。コーディングモデルのCodestralで見せた「小さくて速いモデルで実用レベルの性能を出す」戦略の延長線上にある。

この方向性が正しいかは、実環境での検証次第だ。だがセンサーコストを大幅に下げてロボットナビゲーションを実現できるなら、中小企業の倉庫自動化や配送ロボットの普及に直結する可能性がある。

Robostral Navigate（Mistral AI公式）