Mistral 在 2026 年 7 月发布 Robostral Navigate，这是其首个面向具身导航的模型。官方介绍称，该模型规模为 8B，可以接收普通 RGB 摄像头画面和自然语言指令，让机器人在办公室、住宅、商业建筑或室外环境中移动。它不依赖激光雷达、深度摄像头或多摄像头组合，因此引起了机器人行业关注。
机器人为什么需要“看懂路”
传统移动机器人通常依赖预先建立的地图、定位标记和精确传感器。它们在固定仓库里表现稳定，但换到陌生办公室、酒店或家庭后，环境变化会增加部署成本。具身模型试图让机器人像人一样理解“穿过走廊，到第二个货架前停下”这类指令，而不是要求用户输入坐标。
Robostral Navigate 会结合当前画面、历史观察和文字任务，预测机器人下一步应前往的图像位置以及到达后的朝向。官方把这种方式称为基于指向的导航。它不必总是估算完整三维地图，而是先判断“应该朝画面中的哪里移动”。当目标不在视野范围内时，系统再退回到相对位移指令。
单摄像头方案有什么价值
减少传感器意味着硬件成本更低、设备更轻，也更容易在不同尺寸的轮式、足式或飞行机器人上复用。官方公布的测试结果显示，它在未见环境的 R2R-CE 验证集上取得 76.6% 成功率，并超过若干使用深度或多摄像头的方案。但基准测试不等于真实场景完全可靠，光线、镜面、拥挤人群和快速变化障碍仍会影响效果。
模型使用约 40 万条模拟轨迹、覆盖约 6000 个场景进行训练。模拟训练降低了采集真实机器人数据的成本，也允许快速制造不同布局和障碍。之后通过在线强化学习，让模型从失败中恢复并学习探索行为。
哪些行业可能首先使用
制造业可以让巡检机器人根据语言任务前往设备位置；物流场景可以让机器人在临时调整的货架间移动；酒店和医院可以使用配送机器人完成跨区域任务；无人机则可能在园区检查和室内搜寻中受益。与固定路线相比，自然语言导航能减少每次环境变化后的重新编程。
但企业不应直接把模型接到高速设备。合理流程是先在数字孪生或模拟环境验证，再进入封闭区域低速测试，之后逐步增加动态障碍和人员。机器人还必须保留独立的急停、碰撞检测和速度限制，不能把所有安全责任交给视觉模型。
单目视觉的边界在哪里
普通摄像头难以精确判断透明障碍、低矮物体和极端距离，光照变化也可能造成误判。对需要毫米级定位或重载运输的场景，激光雷达、深度传感器和轮速计仍然有价值。更现实的产品路线可能是让大模型负责理解任务和高层规划，传统控制与安全传感器负责实时避障。
隐私同样需要考虑。机器人持续拍摄办公室或家庭，可能记录屏幕、文件和人员活动。企业应明确视频是否上传、保留多久、是否用于训练，并对敏感区域设置物理禁入规则。
它对 Mistral 意味着什么
Mistral 过去更常被讨论的是轻量语言模型、代码模型和企业部署。Robostral Navigate 表明它开始把视觉语言能力延伸到物理世界。具身智能的竞争不只看模型分数，还要看实时性、硬件成本、现场安全和跨机器人适配能力。8B 规模与单摄像头路线，体现了 Mistral 一贯强调的效率方向。
信息来源：Mistral 官方《Introducing Robostral Navigate》，2026 年 7 月。本文基于公开技术说明进行中文整理与应用分析。
