机器人导航的“眼睛”之争，终于有了一个意想不到的答案：单目摄像头，就够了。法国AI独角兽Mistral悄悄放出一款导航模型Robostral Navigate，参数量仅8B，但能让机器人只用一颗普通RGB摄像头，在复杂环境中实现全自主导航——没有深度传感器，没有LiDAR，成本直降几个量级。
此前业内主流的方案要么依赖昂贵的激光雷达，要么需要多摄像头融合，硬件成本动辄数万元，部署调试更是劝退无数开发者。Mistral这一刀直接砍掉了“多眼”的冗余，用8B模型的算力替代了物理传感器。模型专为具身导航任务设计，覆盖办公室、家庭、商业楼宇乃至室外环境——一个模型，一个摄像头，一个闭环。
单眼打爆多眼，新场景成功率超76%
数据不会说谎。在R2R-CE基准测试中，Robostral Navigate在已见场景上成功率达到79.4%，而在完全陌生的新场景中依然有76.6%的完成率。这比此前最好的单摄像头方案高出9.7个百分点，甚至反超了使用深度传感器或多摄像头的顶尖系统4.5个百分点。换句话说，单目方案不仅没输，反而在泛化能力上实现了全面碾压。
更有意思的是训练方式。Mistral完全在模拟环境中完成训练，使用了约40万条记录路径，分布在6000个不同的虚拟空间。纯模拟训练大幅降低了真实数据采集成本，同时验证了“虚拟训练→真实迁移”的有效性。这种思路对于行业来说，意味着后续迭代的门槛被进一步拉低——不需要海量标注数据，不需要昂贵的真实场景采集，算力堆上去就行。
轮式、腿式、飞行式通吃，开源生态可期
兼容性是另一个惊喜。Robostral Navigate支持轮式机器人、四足机器人（机械狗）以及飞行器（无人机），几乎覆盖了当下主流机器人形态。从仓储物流的轮式运输车，到野外勘探的四足机器狗，再到空中巡检的无人机，同一个导航模型都能适配——这种“一脑多用”的通用性，是很多专为特定平台优化的方案难以比拟的。
客观来看，8B参数放在大模型领域并不算大，但能在单目视觉下实现这样的导航能力，说明Mistral在视觉-语言-行动的压缩与蒸馏上下了功夫。不过目前模型仍存在一些局限性：对极端光照、反射表面等场景的鲁棒性尚未公开测试；纯模拟训练虽然高效，但真实世界的动态障碍物（如行人、宠物）处理能力还有待验证。此外，模型是否开源、何时开源，Mistral尚未明确表态——如果最终走开源路线，可能会像Llama系列一样，再次搅动具身智能行业的开发范式。
总而言之，单目摄像头+8B模型这个组合，已经挤进了“多眼+激光雷达”的赛道，而且跑得更快。下一个问题是：当硬件门槛被砍到只剩一个摄像头，机器人导航的规模化落地，还会远吗？
