LONDON (IT BOLTWISE) – Robostral Navigate bringt Künstliche Intelligenz erstmals als 8B-Modell an, das Roboter nur mit einer einzigen RGB-Kamera und einer Klartext-Anweisung durch komplexe Umgebungen steuert. Entscheidend ist die Leistung: Auf R2R-CE erreicht das Modell 76, 6% im „unseen“-Validierungssetup und übertrifft damit die besten Single-Cam-Ansätze deutlich. Technisch setzt Robostral auf „Pointing“ im Bild plus lokalisierte Displacements als Fallback, um Robustheit gegenüber Kamera-Parametern zu erhöhen. Das System lernt erst supervidiert in Simulation und verbessert anschließend per Online-Reinforcement-Learning, bevor es ohne Tiefe oder LiDAR in echte Räume adaptiert wird.
Robots sollen nicht nur Karten abfahren, sondern Anweisungen verstehen und in dynamischen Umgebungen zuverlässig handeln. Genau dort setzt Robostral Navigate an: Das neue 8B-Modell nimmt RGB-Bilder und eine einfache Sprachinstruktion und steuert damit die nächste Bewegung eines Roboters durch Räume und Flure. Während viele heutige „Embodied Navigation“-Systeme auf Depth-Sensoren, LiDAR oder mehrere Kameras setzen, kommt Robostral Navigate mit einer einzigen, gewöhnlichen RGB-Kamera aus. Der Ansatz ist damit vor allem für Szenarien interessant, in denen zusätzliche Sensorik teuer ist oder sich nur schwer skalieren lässt.
Die Messlatte dafür ist R2R-CE (Room-to-Room in Continuous Environments), ein Benchmark, der das Befolgen von Instruktionen in Umgebungen bewertet, die im Training „out of distribution“ gehalten werden. In der genannten Evaluation erreicht Robostral Navigate 76, 6% Success Rate im unseen Setup. Laut den veröffentlichten Zahlen schlägt das Modell den besten Single-Camera-Ansatz um 9, 7 Punkte und übertrifft die beste Variante, die Depth oder mehrere Kameras verwendet, um 4, 5 Punkte. Das ist ein bemerkenswerter Trade-off: Weniger Sensoren, zugleich bessere Generalisierung. Für die Praxis bedeutet das weniger Hardwarerüstkosten und weniger Kalibrierungsaufwand pro Standort.
Technisch basiert Robostral Navigate auf einem „Pointing“-Mechanismus: Das Modell sagt voraus, wo im aktuellen Kamerabild das Ziel liegt, also die Bildkoordinaten der gewünschten Position, plus eine gewünschte Orientierung beim Ankommen. Im Gegensatz zu Befehlen, die direkt metrische Verschiebungen über Entfernungen interpretieren, macht Pointing die Policy robuster gegenüber Änderungen in Kamera-Intrinsics und auch gegenüber Skalenunterschieden in der Welt. Allerdings gibt es eine klare Grenze: Wenn das Ziel außerhalb des aktuellen Field of View liegt, kann Pointing nicht angewendet werden. Dann nutzt das System als Fallback Displacements im lokalen Koordinatensystem des Roboters, etwa Vorwärts- und Seitwärtsbewegungen kombiniert mit Drehwinkeln.
Damit das Verhalten überhaupt stabil trainiert werden kann, baut Robostral das Modell nach eigenen Angaben „from the ground up“. Der Kern entsteht in-house und greift nicht auf existierende Open-Source-Vision-Language-Modelle zurück, sondern startet aus einem eigenen Vision-Language-Modell, das für Grounding-Aufgaben wie Pointing, Zählen und Objektlokalisierung spezialisiert ist. Navigation wird als logische Erweiterung dieser Grounding-Fähigkeiten verstanden: Erst wenn das System zuverlässig erkennt, *wo* Dinge sind, kann es lernen, *wie* es dorthin navigiert. Ergänzend kommt eine effiziente Datenerzeugung in Simulation hinzu, die eine schnelle Iteration erlaubt und so eine Trainingsbasis von ungefähr 400.000 Trajektorien über etwa 6.000 Szenen liefert.
Ein entscheidender Hebel ist das Trainingsverfahren. Robostral setzt auf eine trainingsökonomische Methode namens prefix-caching, kombiniert mit einem baumartigen Attention-Masking. Ziel ist, eine komplette Episode in einer einzigen Sequenz zu komprimieren, sodass Training über alle Zeitschritte in einem Forward-Pass stattfinden kann – ohne Informationsleck zwischen den Zeitpunkten. Gegenüber klassischem Training mit genau einem Sample pro Zeitschritt reduziert das laut Angaben die benötigten Trainingstokens um 22×, ohne die Lernsignale zu verlieren. In der Praxis adressiert das direkt den Engpass vieler Embodied-AI-Pipelines: Zeit- und Kostenexplosion durch lange Horizon-Trainings, etwa bei „Leave the lobby“-ähnlichen Aufgaben.
Nach dem supervidierten Training folgt die zweite Stufe: Online-Reinforcement-Learning. Robostral nutzt dabei seine Erfahrung mit Post-Training bei großen Sprachmodellen, um die Performance weiter anzuheben. Die veröffentlichte Verbesserung kommt durch CISPO, ein Online-Reinforcement-Learning-Algorithmus, der es dem Modell erlaubt, aus Trial-and-Error zu lernen, Fehler zu „recovery“-en und exploratives Verhalten aufzubauen. Damit wird das bekannte Problem von klassischem Behavior Cloning adressiert: die Distribution Shift zwischen Trainingsrollouts und tatsächlichen, durch eigene Entscheidungen beeinflussten Zuständen. Die Angaben nennen einen zusätzlichen Erfolgszuwachs von 3, 2%. Wichtig ist hier die Behauptung fehlender „plateauing“-Effekte – also kein Sättigen bei den bisherigen Trainingsläufen, was weitere Verbesserungen wahrscheinlich macht.
Im Markt ist der Wettbewerb um embodied Agenten inzwischen breit: Google DeepMind und andere Akteure haben mit ihren Simulations- und Vision-Language-Ansätzen gezeigt, dass Generalisierung stark von Datenverteilung und Trainingsmethoden abhängt. Auch im Umfeld von R2R-/Habitat-ähnlichen Benchmarks wird häufig mehr Sensorik oder zumindest zusätzliche Geometriestützen genutzt. Vor diesem Hintergrund ist Robostral Navigate besonders, weil es die Richtung „weniger Hardware, dafür bessere Lern- und Grounding-Mechanik“ konsequent durchzieht. Gerade Unternehmen mit heterogenen Gebäudestrukturen profitieren, weil eine einzelne RGB-Kamera pro Roboter oft einfacher zu standardisieren ist als LiDAR pro Standort. Allerdings bleibt der Implementierungsaufwand: Kamerakalibrierung, robuste Personenerkennung und saubere Telemetrie für Safety müssen im Betrieb nachgezogen werden.
Regulatorisch und datenschutzseitig ist das Thema nicht trivial, auch wenn weniger Sensorik reduziert. RGB-gestützte Navigation kann in Innenräumen personenbezogene Daten erfassen, insbesondere wenn Menschen im Kamerabild sichtbar sind. Für Deployments in der EU ist daher eine saubere Rechtsgrundlage, eine ausgearbeitete Datenschutzfolgenabschätzung und – je nach Use Case – eine technische Minimierung von Bilddaten oder eine Verarbeitung nur innerhalb zugelassener Umgebungen entscheidend. Technisch wird der nächste Entwicklungsschritt vermutlich in Richtung eines „Unified Embodied Agent“-Konzepts gehen: Navigation als Fundament, darauf aufbauend Manipulation, Wartung oder Serviceprozesse. Für Entwickler bedeutet das vor allem bessere Chancen, KI-Policies portabel zu machen – wenn die Ein-Kamera-Strategie auch in weiteren Benchmarks außerhalb von R2R-CE solide bleibt.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Robostral Navigate: Ein-Kamera-KI führt Roboter per Sprache durch Räume" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Robostral Navigate: Ein-Kamera-KI führt Roboter per Sprache durch Räume" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Robostral Navigate: Ein-Kamera-KI führt Roboter per Sprache durch Räume« bei Google Deutschland suchen, bei Bing oder Google News!