论文页面 - Robostral Navigate

来源：https://huggingface.co/papers/2607.20785 作者：

，

，

，

，

，

，

，

，

，

，

，

，

摘要

大规模部署导航系统需要一种配方：最小化传感器假设、跨机器人本体泛化、高效训练。然而，当今最先进的系统依赖深度传感器、多摄像头装置或预建地图，限制了它们支持的硬件并增加了部署成本。我们提出 Robostral Navigate，一个围绕这一可扩展性目标构建的 8B 视觉语言模型。该模型仅消耗单目 RGB 图像流——这是机器人平台上最普遍的传感器——并通过在当前摄像头视图中的下一个目标位置来预测航点。完全在图像空间而非机器人特定坐标中操作，使得策略自然地鲁棒于相机内参和场景尺度的变化，从而无需重新标定即可在轮式、腿式和空中机器人上部署。我们生成了涵盖 35 万个模拟场景的 240 万条轨迹，以减少对真实世界数据采集的依赖并轻松扩展。我们还引入了一种前缀缓存训练配方，将整个回合打包成单个训练序列，将训练 token 减少了 22 倍，并将训练时间从数月缩短到数天。基于树的注意力掩码可防止对先前真实动作的条件依赖，鼓励基于视觉的预测，并利用强化学习进一步提高探索与恢复能力。在 Room-to-Room 和 Room-Across-Room 连续环境（R2R-CE 和 RxR-CE）基准上，Robostral Navigate 取得了新的最先进成果。在 R2R-CE 上，它实现了 77.4% 的成功率，超越最佳单目方法 10.5 个百分点，并且尽管仅使用单个 RGB 摄像头，仍比最强的深度或多摄像头系统高出 5.3 个百分点。在 RxR-CE 上，它达到了 75.1% 的成功率，超越了所有单目基线。

查看 arXiv 页面 (https://arxiv.org/abs/2607.20785)查看 PDF (https://arxiv.org/pdf/2607.20785)项目页面 (https://mistral.ai/news/robostral-navigate/)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.20785)

在您的代理中获取此论文：

hf papers read 2607\.20785

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2607.20785 即可从本页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2607.20785 即可从本页面链接。

引用此论文的 Spaces0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2607.20785 即可从本页面链接。

包含此论文的合集0

没有合集包含此论文

将此论文添加到合集中 (https://huggingface.co/new-collection) 即可从本页面链接。