🤖 AI

Robostral Navigate

Robostral Navigate ist ein 8B Vision-Language-Modell, das durch die Nutzung eines skalierbaren Trainingsrezepts mit 2,4 Millionen simulierten Trajektorien, Prefix-Caching-Effizienz und Bildraum-Waypoint-Vorhersage zur Eliminierung der Notwendigkeit von Tiefensensoren oder vorab erstellten Karten eine State-of-the-Art-monokulare Navigation über diverse Roboter-Embodiments hinweg erreicht.

Ursprüngliche Autoren: Abdelaziz Bounhar, Abhijeet Somani, Aditi Kabra, Adrian Valente, Adrien Petralia, Adrien Sade, Alan Jeffares, Albert Jiang, Aleksandr Timashov, Alexandre Cahill, Alexandre Gavaudan, Alexandre Laval, AAbdelaziz Bounhar, Abhijeet Somani, Aditi Kabra, Adrian Valente, Adrien Petralia, Adrien Sade, Alan Jeffares, Albert Jiang, Aleksandr Timashov, Alexandre Cahill, Alexandre Gavaudan, Alexandre Laval, Alexandre Sablayrolles, Amelie Heliou, Amos You, Andre Jonasson, Andrew Bai, Andrew Ehrenberg, Andrew Zhao, Angele Lenglemetz, Anmol Agarwal, Antonia Calvi, Arata Suzuki, Arjun Majumdar, Arthur Fournier, Artjom Joosen, Avinash Sooriyarachchi, Aylin Guliz Akkus, Aysenur Karaduman, Baptiste Bout, Baptiste Roziere, Baudouin De Monicault, Benjamin Holzschuh, Benjamin Lefaudeux, Benjamin Tibi, Bernhard Stadlbauer, Blazej Osinski, Camille Le Scao, Chaoran Yu, Charlotte Cronjager, Chen-Yo Sun, Chris Bamford, Christian Wallenwein, Christophe Renaudin, Clemence Lanfranchi, Corentin Barreau, Corentin Sautier, Cristiana-Diana Diaconu, Cyprien Courtot, Daniel Marczak, Darius Dabert, Diego de Las Casas, Dominik Nuss, Dylan Rubini, Dzmitry Soupel, Elizaveta Demyanenko, Elliot Chane-Sane, Emilien Fugier, Emmanuel Gottlob, Erik Aas, Etienne Goffinet, Etienne Millon, Eujeong Choi, Fabian Paischer, Fabian Schlager, Faruk Ahmed, Federico Baldassarre, Filip Szatkowski, Florian Wiesner, Gabrielle Berrada, Gaetan Ecrepont, Gaetan Lepage, Gaspard Blanchet, Gaspard Donada-Vidal, Gauthier Delerce, Gauthier Guinet, Genevieve Hayes, Georgii Novikov, Giada Pistilli, Gianluca Galletti, Guillaume Breton, Guillaume Kunsch, Guillaume Lample, Guillaume Martin, Guillaume Raille, Gunjan Dhanuka, Gunshi Gupta, Han Zhou, Harshil Shah, Hasan Furkan Vural, Hedi Hadiji, Hope McGovern, Hugo Cisneros, Hugo Thimonier, Indraneel Mukherjee, Ivan Cuevas Salazar, Jacques Sun, Jan Ludziejewski, Jason Rute, Jean Quentin, Jean-Hadrien Chabran, Jean-Malo Delignon, Jie Zhang, Joachim Studnia, Joep Barmentlo, Johannes Brandstetter, John Harvill, Jonas Amar, Jonas Schweizer, Josephine Delas, Josselin Somerville, Julien Denize, Julien Tauran, Kartik Khandelwal, Khyathi Raghavi Chandu, Kilian Tep, Kush Jain, Larissa Laich, Laura Calem, Laurence Aitchison, Laurent Callot, Laurent Fainsin, Leo Cotteleer, Leonard Blier, Lingxiao Zhao, Louis Martin, Louis Serrano, Lucile Saulnier, Ludovic Ho Fuh, Luis Montero, Maarten Buyl, Manon Chossegros, Marcin Mozejko, Margaret Jennings, Markus Hennerbichler, Martin Alexandre, Mathieu Poiree, Mathieu Schmitt, Mathilde Guillaumin, Matthieu Andre, Matthieu Dinot, Matthieu Futeral, Maurits Bleeker, Mauro Comi, Max Mynter, Maxim Berman, Maxime Darrin, Maxime Louis, Maximilian Augustin, Maximilian Muller, Melina Jingting Laimon, Mert Unsal, Mia Chiquier, Michael Pilcer, Michal Pietruszka, Michal Zajac, Mikhail Biriuchinskii, Minh-Quang Pham, Minwoo Kang, Morgane Riviere, Namit Katariya, Nathan Grinsztajn, Nathan Simpson, Neeraj Aggarwal, Neha Gupta, Ola Mysiak, Oliver Leicht, Olivier Bousquet, Olivier Duchenne, Parag Jain, Patricia Wang, Patrick Blies, Patrick von Platen, Paul Jacob, Paul Wambergue, Paula Kurylowicz, Pavan Kumar Reddy, Pavel Kuksa, Philippe Pinel, Philomene Chagniot, Pierre Stock, Pierre-Andre Savalle, Piotr Milos, Prateek Gupta, Pravesh Agrawal, Quentin Desreumaux, Quentin Torroba, Quercus Hernandez, Ram Ramrakhya, Randall Isenhour, Ranjit Parva, Raul Perez Pelaez, Reinhard Sonnleitner, Remi Delacourt, Richard Kurle, Rishi Shah, Rob Romijnders, Rohin Arora, Romain Sauvestre, Roman Soletskyi, Rosalie Millner, Rupert Menneer, Sagar Vaze, Samuel Barry, Samuel Belkadi, Samuel Humeau, Sanchit Gandhi, Sandeep Subramanian, Sarthak Mittal, Saskia Adaime, Sean Cha, Sebastian Kaltenbach, Shashwat Dalal, Shashwat Verma, Sherif Waly, Shrimai Prabhumoye, Siddhant Waghjale, Siddharth Gandhi, Simon Lepage, Simon Sorg, Soham Ghosh, Sophie Marbach, Srijan Mishra, Stanislas Lange, Steve Hong, Sumukh Aithal, Szymon Antoniak, Tarun Kumar Vangani, Teven Le Scao, Theo Cachet, Thibaut Lavril, Thomas Chabal, Thomas Coste, Thomas Defard, Thomas Foubert, Thomas Robert, Thomas Wang, Tianyu Zhang, Tim Lawson, Timothee Lacroix, Tobias Kronlachner, Tom Bewley, Tom Edwards, Tomas Hodan, Tuhin Das, Tyler Wang, Ulrick BLE, Umar Jamil, Umberto Tomasini, Valentin Mace, Van Phung, Vedant Nanda, Victor Jouault, Victor Letzelter, Victor Paltz, Victor Poucheret, Vincent Maladiere, Vincent Pfister, Virgile Richard, Vladislav Bataev, Wassim Bouaziz, Wen Ding Li, William Havard, William Marshall, Xinghui Li, Xingran Guo, Xinyu Yang, Yann Dreze, Yassine El Ouahidi, Yassir Bendou, Yihan Wang, Yimu Pan, Yves Martin des Taillades, Zaccharie Ramzi, Zhenlin Xu, Zsofia Csakany

Veröffentlicht 2026-08-04

📖 3 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Abdelaziz Bounhar, Abhijeet Somani, Aditi Kabra, Adrian Valente, Adrien Petralia, Adrien Sade, Alan Jeffares, Albert Jiang, Aleksandr Timashov, Alexandre Cahill, Alexandre Gavaudan, Alexandre Laval, Alexandre Sablayrolles, Amelie Heliou, Amos You, Andre Jonasson, Andrew Bai, Andrew Ehrenberg, Andrew Zhao, Angele Lenglemetz, Anmol Agarwal, Antonia Calvi, Arata Suzuki, Arjun Majumdar, Arthur Fournier, Artjom Joosen, Avinash Sooriyarachchi, Aylin Guliz Akkus, Aysenur Karaduman, Baptiste Bout, Baptiste Roziere, Baudouin De Monicault, Benjamin Holzschuh, Benjamin Lefaudeux, Benjamin Tibi, Bernhard Stadlbauer, Blazej Osinski, Camille Le Scao, Chaoran Yu, Charlotte Cronjager, Chen-Yo Sun, Chris Bamford, Christian Wallenwein, Christophe Renaudin, Clemence Lanfranchi, Corentin Barreau, Corentin Sautier, Cristiana-Diana Diaconu, Cyprien Courtot, Daniel Marczak, Darius Dabert, Diego de Las Casas, Dominik Nuss, Dylan Rubini, Dzmitry Soupel, Elizaveta Demyanenko, Elliot Chane-Sane, Emilien Fugier, Emmanuel Gottlob, Erik Aas, Etienne Goffinet, Etienne Millon, Eujeong Choi, Fabian Paischer, Fabian Schlager, Faruk Ahmed, Federico Baldassarre, Filip Szatkowski, Florian Wiesner, Gabrielle Berrada, Gaetan Ecrepont, Gaetan Lepage, Gaspard Blanchet, Gaspard Donada-Vidal, Gauthier Delerce, Gauthier Guinet, Genevieve Hayes, Georgii Novikov, Giada Pistilli, Gianluca Galletti, Guillaume Breton, Guillaume Kunsch, Guillaume Lample, Guillaume Martin, Guillaume Raille, Gunjan Dhanuka, Gunshi Gupta, Han Zhou, Harshil Shah, Hasan Furkan Vural, Hedi Hadiji, Hope McGovern, Hugo Cisneros, Hugo Thimonier, Indraneel Mukherjee, Ivan Cuevas Salazar, Jacques Sun, Jan Ludziejewski, Jason Rute, Jean Quentin, Jean-Hadrien Chabran, Jean-Malo Delignon, Jie Zhang, Joachim Studnia, Joep Barmentlo, Johannes Brandstetter, John Harvill, Jonas Amar, Jonas Schweizer, Josephine Delas, Josselin Somerville, Julien Denize, Julien Tauran, Kartik Khandelwal, Khyathi Raghavi Chandu, Kilian Tep, Kush Jain, Larissa Laich, Laura Calem, Laurence Aitchison, Laurent Callot, Laurent Fainsin, Leo Cotteleer, Leonard Blier, Lingxiao Zhao, Louis Martin, Louis Serrano, Lucile Saulnier, Ludovic Ho Fuh, Luis Montero, Maarten Buyl, Manon Chossegros, Marcin Mozejko, Margaret Jennings, Markus Hennerbichler, Martin Alexandre, Mathieu Poiree, Mathieu Schmitt, Mathilde Guillaumin, Matthieu Andre, Matthieu Dinot, Matthieu Futeral, Maurits Bleeker, Mauro Comi, Max Mynter, Maxim Berman, Maxime Darrin, Maxime Louis, Maximilian Augustin, Maximilian Muller, Melina Jingting Laimon, Mert Unsal, Mia Chiquier, Michael Pilcer, Michal Pietruszka, Michal Zajac, Mikhail Biriuchinskii, Minh-Quang Pham, Minwoo Kang, Morgane Riviere, Namit Katariya, Nathan Grinsztajn, Nathan Simpson, Neeraj Aggarwal, Neha Gupta, Ola Mysiak, Oliver Leicht, Olivier Bousquet, Olivier Duchenne, Parag Jain, Patricia Wang, Patrick Blies, Patrick von Platen, Paul Jacob, Paul Wambergue, Paula Kurylowicz, Pavan Kumar Reddy, Pavel Kuksa, Philippe Pinel, Philomene Chagniot, Pierre Stock, Pierre-Andre Savalle, Piotr Milos, Prateek Gupta, Pravesh Agrawal, Quentin Desreumaux, Quentin Torroba, Quercus Hernandez, Ram Ramrakhya, Randall Isenhour, Ranjit Parva, Raul Perez Pelaez, Reinhard Sonnleitner, Remi Delacourt, Richard Kurle, Rishi Shah, Rob Romijnders, Rohin Arora, Romain Sauvestre, Roman Soletskyi, Rosalie Millner, Rupert Menneer, Sagar Vaze, Samuel Barry, Samuel Belkadi, Samuel Humeau, Sanchit Gandhi, Sandeep Subramanian, Sarthak Mittal, Saskia Adaime, Sean Cha, Sebastian Kaltenbach, Shashwat Dalal, Shashwat Verma, Sherif Waly, Shrimai Prabhumoye, Siddhant Waghjale, Siddharth Gandhi, Simon Lepage, Simon Sorg, Soham Ghosh, Sophie Marbach, Srijan Mishra, Stanislas Lange, Steve Hong, Sumukh Aithal, Szymon Antoniak, Tarun Kumar Vangani, Teven Le Scao, Theo Cachet, Thibaut Lavril, Thomas Chabal, Thomas Coste, Thomas Defard, Thomas Foubert, Thomas Robert, Thomas Wang, Tianyu Zhang, Tim Lawson, Timothee Lacroix, Tobias Kronlachner, Tom Bewley, Tom Edwards, Tomas Hodan, Tuhin Das, Tyler Wang, Ulrick BLE, Umar Jamil, Umberto Tomasini, Valentin Mace, Van Phung, Vedant Nanda, Victor Jouault, Victor Letzelter, Victor Paltz, Victor Poucheret, Vincent Maladiere, Vincent Pfister, Virgile Richard, Vladislav Bataev, Wassim Bouaziz, Wen Ding Li, William Havard, William Marshall, Xinghui Li, Xingran Guo, Xinyu Yang, Yann Dreze, Yassine El Ouahidi, Yassir Bendou, Yihan Wang, Yimu Pan, Yves Martin des Taillades, Zaccharie Ramzi, Zhenlin Xu, Zsofia Csakany

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie bringen einem Roboter bei, ein Reiseleiter zu sein. In der Welt der Robotik nennt man dies „Embodied Navigation“ – die Fähigkeit einer Maschine, einen gesprochenen Befehl wie „Geh in die Küche“ zu verstehen und tatsächlich dorthin zu laufen, ohne gegen Wände zu stoßen. Lange Zeit waren die besten Reiseleiter wie hochkarätige Astronauten: Sie benötigten teure, schwere Ausrüstung, um ihren Job zu erledigen. Sie trugen spezielle 3D-Brillen (Tiefensensoren), führten mehrere Kameras wie ein Sicherheitsteam mit sich oder verließen sich auf vorgezeichnete Karten des gesamten Gebäudes. Obwohl diese Roboter gut waren, waren sie auch teuer, zerbrechlich und schwer auf eine einfache Lieferdrohne oder ein kleines Lagerhausrad zu montieren. Die große Frage, die sich Wissenschaftler gestellt haben, lautete: Können wir einen Roboter bauen, der genauso intelligent ist, aber das einfachste, gebräuchlichste Werkzeug zur Verfügung hat? Die Antwort liegt in einer einzigen, Standard-Kamera – der Art, wie sie heute in fast jedem Smartphone und jedem Roboter zu finden ist – und einem Gehirn, das leistungsstark genug ist, um den Rest zu lösen.

Dieses Paper stellt Robostral Navigate vor, eine neue Art von Robotergehirn, das darauf ausgelegt ist, das Navigationsrätsel nur mit dieser einen Standard-Kamera zu lösen. Betrachten Sie es als einen Roboter, der keine 3D-Karte oder einen Laserscanner benötigt; stattdessen lernt er, den nächsten Schritt einer Reise durch bloßes Betrachten eines Bildes zu „zeigen“. Die Forscher bauten ein 8-Milliarden-Parameter-„Vision-Language-Modell“ (eine superintelligente KI, die lesen und sehen kann) und brachten ihm die Navigation bei, indem sie ihm Millionen von Beispielen in einer videospielähnlichen Simulation zeigten. Anstatt komplexe mathematische Berechnungen darüber anzustellen, wie viele Meter es zu fahren sind, zeigt das Modell einfach auf den Punkt auf dem Bildschirm, zu dem es als Nächstes gelangen möchte. Wenn das Ziel hinter einer Ecke verborgen ist, wechselt es zu einem Backup-Plan, bei dem es eine bestimmte Strecke geradeaus fährt.

Das Team stellte fest, dass dieser einfache Ansatz unglaublich leistungsstark ist. Indem sie das Modell auf 2,4 Millionen simulierten Reisen über 350.000 verschiedene Szenen trainierten, schufen sie ein System, das nicht nur billiger und einfacher zu bauen, sondern auch intelligenter als viele Roboter mit schicken Sensoren ist. In Standardtests erreichte Robostral Navigate eine Erfolgsquote von 77,4 % beim Finden des Weges, womit es die besten bisherigen Single-Kamera-Roboter um eine große Marge schlug und sogar einige Roboter übertraf, die Tiefensensoren oder mehrere Kameras verwendeten. Das Geheimrezept war nicht nur das Zeigen; es war ein neuer Trainings-Trick, der den Lernprozess 22-mal schneller machte, sowie eine Reinforcement-Learning-Phase, die dem Roboter beibrachte, wie er sich erholt, wenn er sich verirrt hat. Das Ergebnis ist ein Roboter, der von einem fahrbaren Wagen auf eine laufende Maschine oder eine fliegende Drohne wechseln kann, ohne neu trainiert werden zu müssen – ein Beweis dafür, dass man keine millionenschwere Sensorik braucht, um einen wirklich universell einsetzbaren Roboter zu bauen.

Technisches Resümee: Robostral Navigate

Problemstellung

Die Skalierung von Systemen für die körpergebundene Navigation (Embodied Navigation) steht vor erheblichen Barrieren: Aktuelle State-of-the-Art-Methoden verlassen sich oft auf privilegierte Sensorik (Tiefensensoren, LiDAR, Multi-Kamera-Systeme) oder vorab erstellte Karten. Diese Abhängigkeiten erhöhen die Hardwarekosten, schränken die Kompatibilität über verschiedene Robotertypen hinweg ein (Rad-, Bein- oder Flugroboter) und erfordern eine umgebungsspezifische Kalibrierung. Darüber hinaus erfordert das Training dieser Systeme typischerweise eine umfangreiche und kostspielige Datenerhebung in der realen Welt. Die Herausforderung besteht darin, ein Navigationsrezept zu entwickeln, das die Annahmen über Sensoren minimiert, über verschiedene Robotermorphologien hinweg generalisiert und effizient ausschließlich mittels Simulation trainiert werden kann.

Methodik

Robostral Navigate ist ein Vision-Language-Modell (VLM) mit 8 Milliarden Parametern, das darauf ausgelegt ist, die körpergebundene Navigation unter Verwendung eines reinen monokularen RGB-Bildstroms zu lösen. Das System zerlegt die Navigation in zwei distinkte Phasen: High-Level-Planung via VLM und Low-Level-Steuerung via Diffusions-Policy.

1. Modellarchitektur

Vision-Language-Planner (8B VLM): Das Kernmodell basiert auf einem dichten VLM, das für räumliche Verankerung (Pointing, Counting, Lokalisation) konzipiert wurde. Es nimmt eine natürliche Sprachinstruktion und eine Historie monokularer RGB-Frames als Input entgegen.
Navigation durch „Pointing“: Anstatt metrische Verschiebungen vorherzusagen, die an eine spezifische Robotergeometrie gebunden sind, sagt das VLM Wegpunkte voraus, indem es auf den nächsten Zielort im aktuellen Kamerabild (Bildkoordinaten $u, v$ ) und die gewünschte Richtungsänderung ( $\Delta\theta$ ) „zeigt“. Diese Formulierung im Bildraum gewährleistet Robustheit gegenüber Kameraintrinsika und Maßstäben der Szene.
Displacement Fallback: Um Fälle zu handhaben, in denen das Ziel außerhalb des Sichtfeldes liegt (z. B. bei einer notwendigen Drehung), sagt das Modell gemeinsam mit den Pointing-Koordinaten auch metrische Verschiebungen ( $\Delta x, \Delta y, \Delta\theta$ ) voraus. Wenn das Ziel nicht sichtbar ist, lässt es die Bildkoordinaten weg und verlässt sich rein auf die metrische Verschiebung.
Diffusion Policy (121 Mio. Parameter): Die vom VLM abgeleiteten Wegpunkte werden durch einen leichtgewichtigen Diffusion-Transformer in Low-Level-Motorbefehle umgewelt. Diese Policy gibt eine dichte Trajektorie relativer 2D-Verschiebungen und 1D-Rotationen mit 10 Hz aus, welche anschließend in hochfrequente Aktuator-Drehmomente durch einen Motion-Tracking-Controller übersetzt wird.

2. Trainingsstrategie

Die Trainingspipeline ist auf maximale Effizienz und Skalierbarkeit ausgelegt und stützt sich vollständig auf die Simulation.

Datengenerierung: Das System wird auf etwa 2,4 Millionen Experten-Trajektorien über 350.000 simulierte Szenen (Innen- und Außenbereiche) trainiert. Die Datengenerierung nutzt Farthest-Point-Sampling, um diverse Start-/Zielpositionen und variierende Szenenkomplexitäten sicherzustellen.
Prefix-Caching und Attention-Masking: Um die rechnerische Ineffizienz des Standard-sequentiellen Trainings (bei dem die Token-Komplexität als $O(T^2)$ skaliert) zu adressieren, verwenden die Autoren eine Prefix-Caching-Technik. Ganze Episoden werden in einzelne Trainingssequenzen gepackt. Eine baumbasierte Attention-Mask wird eingesetzt, um zu verhindern, dass das Modell während des Trainings auf vorherige Ground-Truth-Aktionen konditioniert. Dies ist notwendig, da vorherige Ground-Truth-Aktionen oft sehr informativ für zukünftige Aktionen sind (insbesondere aufgrund des Paradigmas der am weitesten sichtbaren Wegpunkte), und das Modell andernfalls diese nutzen würde, anstatt eine visuell fundierte Vorhersage zu lernen. Dies reduziert die Trainings-Tokens um den Faktor 22× und senkt die Trainingszeit von Monaten auf Tage.
Cross-Robot Generalization: Während der Datengenerierung werden die Roboterkonfigurationen (Höhe, Radius, Kameraplatzierung, Pitch) randomisiert. Dies ermöglicht es den gelernten Policies, auf verschiedene Roboterkörper zu transferieren, ohne ein erneutes Training zu benötigen.
Online Reinforcement Learning (RL): Im Anschluss an das Supervised Fine-Tuning (SFT) durchläuft das Modell Online-RL mittels CISPO (eine Methode zur geschwindigkeitsrelativen Vorteilsschätzung). Der Agent interagiert mit einem Simulator auf einer kuratierten Teilmenge „schwieriger“ Trajektorien, bei denen die SFT-Policy versagt hat. Die Belohnungsfunktion ist definiert als $-\max(2, \text{dist\_to\_goal})$ , was den Agenten dazu motiviert, das Ziel zu erreichen, eine STOP-Aktion auszuführen und unnötige Manöver nahe dem Ziel zu vermeiden.

Zentrale Beiträge

Minimale Sensorabhängigkeit: Demonstriert, dass ein 8B VLM eine State-of-the-Art-Navigationsleistung unter Verwendung von nur einer einzigen RGB-Kamera erzielen kann, wodurch die Notwendigkeit für Tiefensensoren, LiDAR oder Multi-Kamera-Setups entfällt.
Image-Space Pointing: Führt einen auf Pointing basierenden Wegpunkt-Vorhersagemechanismus ein, der im Bildraum statt in metrischen Koordinaten operiert, was die Generalisierung über verschiedene Roboter (Cross-Embodiment) ohne Rekalibrierung natürlich ermöglicht.
Effizientes Trainingsrezept: Entwickelt eine Prefix-Caching-Trainingsmethode, die die Token-Komplexität um das 22-fache reduziert und so das Training großskaliger Navigations-Policies innerhalb von Tagen statt Monaten allein mit Simulationsdaten ermöglicht.
Integration von Reinforcement Learning: Erfolgreiche Anwendung von Online-RL zur Verbesserung der Explorations- und Erholungsfähigkeiten, wodurch die Lücke zwischen Behavioral Cloning und robuster, langfristiger Navigation geschlossen wird.

Ergebnisse

Das System wurde auf den Benchmarks Room-to-Room in Continuous Environments (R2R-CE) und Room-Across-Room (RxR-CE) evaluiert.

R2R-CE (Validation Unseen): Robostral Navigate erreichte eine Erfolgsrate (Success Rate, SR) von 77,4 % und eine Pfadlängengewichtete Erfolgsrate (Success weighted by Path Length, SPL) von 74,2 %.
- Dies übertrifft die beste Single-Camera-Baseline (Qwen-RobotNav-4B, 66,9 % SR) um 10,5 Punkte.
- Es übertrifft zudem das beste Depth/Multi-Camera-System (Qwen-RobotNav-8B, 72,1 % SR) um 5,3 Punkte, trotz des Verzichts auf zusätzliche Sensoren.
RxR-CE (Validation Unseen): Das Modell erreichte eine SR von 75,1 % und einen SPL von 68,7 %, womit es alle Single-Camera-Baselines übertraf und eine überlegene Pfadeffizienz im Vergleich zu Tiefen-unterstützten Modellen zeigte.
Cross-Robot Deployment: Dieselben Modellgewichte wurden erfolgreich auf zwei unterschiedlichen Plattformen – Galaxea R1 und Hihood Wonder JetAuto – mit verschiedenen Morphologien und Kamera-Konfigurationen eingesetzt, was die Behauptung der Cross-Robot-Generalisierung validiert.

Bedeutung

Das Paper postuliert, dass Robostral Navigate ein skalierbares Rezept für die allgemeine Robotik darstellt. Durch die Kombination von großskaliger Simulation, effizienten Trainingsalgorithmen (Prefix-Caching) und Reinforcement Learning zeigen die Autoren, dass eine leistungsstarke Navigation keine privilegierten Sensoren erfordert. Die Arbeit legt nahe, dass ein Minimal-Sensor-Ansatz, gepaart mit robusten Trainingsmethodiken, Systeme mit komplexer Hardware übertreffen kann, was die Hürden für den Einsatz allgemeiner körpergebundener Agenten auf diverser Hardware und in neuartigen Umgebungen senkt.