การนำทางของหุ่นยนต์มักแพงเพราะต้องพึ่งเซนเซอร์หลายชั้น ข่าวของ Robostral Navigate จาก Mistral AI จึงน่าสนใจตรงที่พยายามตัดความซับซ้อนลงเหลือแค่ RGB camera ตัวเดียว แต่ยังทำงานในพื้นที่จริงที่มีคนและสิ่งกีดขวางได้
โมเดลนี้ทำอะไร
Robostral Navigate เป็นโมเดลขนาด 8B สำหรับการนำทางในสภาพแวดล้อมซับซ้อน เช่น สำนักงาน อาคารพักอาศัย อาคารพาณิชย์ และพื้นที่กลางแจ้ง
ผู้ใช้ให้คำสั่งภาษาธรรมดา แล้วโมเดลตัดสินใจว่าจะให้หุ่นยนต์เคลื่อนที่อย่างไรต่อเนื่องจนจบภารกิจ
ตัวอย่างในต้นฉบับคือคำสั่งแบบ “ออกจากล็อบบี้ เดินไปทางทางเดิน เข้าห้องเก็บของ แล้วหยุดหันหน้าไปยังชั้นวางที่สอง”
จุดต่างคือใช้การ pointing แทนการสั่งแบบเดิม
แทนที่จะสั่งเป็นระยะทางเชิงตัวเลขอย่างเดียว โมเดลใช้วิธี pointing
มันคาดเดาพิกัดเป้าหมายในภาพปัจจุบันและทิศทางเมื่อไปถึงจุดนั้น ถ้าเป้าหมายอยู่นอกมุมมองก็จะ fallback ไปใช้ local displacement แทน
แนวทางนี้ช่วยให้ทนต่อความต่างของ camera intrinsics และสเกลของโลกจริงได้ดีขึ้น
การฝึกเน้นประหยัดข้อมูลและเวลา
Mistral สร้างข้อมูลใน simulation ประมาณ 400,000 trajectories From 6,000 scenes
อีกส่วนที่เด่นคือการใช้ prefix-caching ร่วมกับ tree-based attention masking ทำให้ฝึกทั้ง episode ใน forward pass เดียว และลด training tokens ลงถึง 22×
หลังจาก supervised training ยังมีการใช้ CISPO ซึ่งเป็น online reinforcement learning เพื่อให้โมเดลเรียนรู้จากการลองผิดลองถูกและฟื้นตัวจากความล้มเหลว
ตัวเลขผลลัพธ์
Robostral Navigate รายงานว่าได้ 76.6% success บน R2R-CE validation unseen
บน validation seen ทำได้ 79.4% และในบทความยังระบุว่าดีกว่าวิธี single-camera ที่ดีที่สุด 9.7 points และดีกว่าวิธีที่ใช้ depth หรือ multi-camera ที่ดีที่สุด 4.5 points
ข้อควรระวัง: กล้องตัวเดียวไม่ใช่คำตอบของทุกไซต์งาน
แม้แนวคิดจะดูประหยัด แต่ก็มีข้อจำกัดชัด
อย่างแรก ถ้าสภาพแสงแย่ ภาพสั่น หรือมีสิ่งกีดขวางหนาแน่น โมเดลที่พึ่ง RGB อย่างเดียวอาจเสียเปรียบเซนเซอร์เชิงลึก
อย่างที่สอง การใช้ pointing มีจุดอ่อนเมื่อตัวเป้าหมายไม่อยู่ใน frame
อย่างที่สาม การจะนำไปใช้งานจริงต้องดูเรื่องความปลอดภัยการเคลื่อนที่ในพื้นที่คนเดินเยอะ เพราะ benchmark ไม่ได้ครอบคลุมความเสี่ยงทางกายภาพทั้งหมด
โอกาสที่เหมาะกับไทยจริง ๆ
Robostral Navigate มีนัยกับไทยมากกว่าที่เห็น เพราะในหลายไซต์งานจริง ต้นทุนของเซนเซอร์คืออุปสรรคสำคัญไม่แพ้ค่าแรงติดตั้ง ถ้าใช้กล้อง RGB เพียงตัวเดียวได้จริง งานนำทางในอาคารอาจถูกทำให้เข้าถึงง่ายขึ้นสำหรับธุรกิจที่ไม่อยากลงทุนเซนเซอร์แพงหลายชั้น เช่น โรงแรม คลังสินค้า ห้องแล็บ หรือพื้นที่บริการภายในอาคาร
อีกจุดที่น่าสนใจคือการใช้งานในงานสำรวจและกู้ภัยในอาคารเก่า หรือพื้นที่ที่ติดตั้งอุปกรณ์เสริมได้ยาก เพราะกล้องที่มีอยู่แล้วมักหาได้ง่ายกว่า LiDAR หรือชุดเซนเซอร์หลายตัว อย่างไรก็ตาม การใช้งานแบบนี้ต้องมี human override, map verification และแผนหยุดฉุกเฉินอยู่เสมอ ไม่ควรปล่อยให้โมเดลขับเองล้วน ๆ
ถ้าผู้ประกอบการไทยจะใช้ประโยชน์จากแนวทางนี้จริง ควรเริ่มจากเส้นทางคงที่หรือสภาพแวดล้อมที่ควบคุมได้ก่อน แล้วค่อยขยายไปพื้นที่ซับซ้อน การเร่งเปิดใช้งานในพื้นที่ที่มีคนจำนวนมากโดยไม่มีขั้นตอนทดสอบเพียงพอจะเปลี่ยนข้อดีเรื่องราคาถูกให้กลายเป็นต้นทุนความเสี่ยงทันที
ประเด็นเชิงระบบสำหรับผู้ทำงานจริง
อีกสิ่งที่น่าคิดคือโมเดลแบบนี้อาจเปลี่ยนงบประมาณของโครงการจากฝั่งฮาร์ดแวร์ไปสู่ฝั่งซอฟต์แวร์มากขึ้น แทนที่จะซื้อเซนเซอร์จำนวนมาก ผู้ประกอบการอาจต้องลงทุนกับการทดสอบข้อมูลภาพ การคาลิเบรตกล้อง และการออกแบบ safety layer ให้แน่นขึ้น ซึ่งเป็นต้นทุนคนละประเภทแต่ก็ยังเป็นต้นทุนอยู่ดี
ความหมายต่อผู้ประกอบการ/ผู้ใช้งานไทย
มุมไทยของ Robostral Navigate ค่อนข้างตรงตัว เพราะหลายงานในไทยไม่อยากแบกราคาของ LiDAR หรือเซนเซอร์หลายตัว
ถ้าโมเดลแบบนี้ใช้งานได้จริง มันอาจเหมาะกับงานสำรวจภายในอาคาร คลังสินค้า โรงพยาบาล โรงแรม หรือภารกิจกู้ภัยที่ต้องลดต้นทุนอุปกรณ์ลง
สำหรับธุรกิจไทย การลดจำนวนเซนเซอร์อาจช่วยลดทั้งต้นทุนซื้อและต้นทุนบำรุงรักษา แต่ต้องแลกกับการทดสอบซ้ำในสภาพแวดล้อมจริงให้มากพอ โดยเฉพาะพื้นที่ที่พื้นสะท้อนแสง แสงน้อย หรือมีคนสัญจรตลอดเวลา
ถ้าไทยจะใช้กับหุ่นยนต์บริการหรือหุ่นยนต์กู้ภัยจริง ควรเริ่มจาก use case ที่ควบคุมได้ก่อน ไม่ใช่กระโดดไปใช้ในพื้นที่เปิดที่เสี่ยงทันที