미스트랄(Mistral)이 일반 RGB 카메라 한 대만으로 로봇이 복잡한 공간을 이동하게 하는 8B 규모 모델 '로보스트랄 내비게이트(Robostral Navigate)'를 공개했다. 이 모델은 깊이 센서나 라이다 없이 평범한 RGB 이미지와 자연어 명령을 입력받아 로봇을 움직이며, R2R-CE 벤치마크에서 검증(seen) 79.4퍼센트, 미검증(unseen) 76.6퍼센트의 성공률을 기록했다. 미스트랄은 이 성적이 최고 단일 카메라 방식을 9.7점, 깊이 센서나 다중 카메라를 쓰는 최고 시스템을 4.5점 앞선다고 밝혔다.

라이다 없이 카메라 한 대로 길을 찾는다

로보스트랄 내비게이트는 깊이 센서 없이 오직 평범한 RGB 카메라 한 대만 사용한다. 사람과 장애물로 가득 찬 실제 공간, 그것도 학습 때 본 적 없는 환경에서 자연어 명령을 받아 로봇을 이동시키는 것이 핵심 기능이다. 미스트랄은 이 모델의 활용처로 제조, 배송, 물류, 접객을 제시했다. 기존 실내 내비게이션 로봇이 라이다나 스테레오 카메라 같은 깊이 감지 장비에 의존해 온 것과 달리, 단일 RGB 입력만으로 동급 이상의 이동 성능을 낸다는 점이 이번 발표의 축이다.

센서를 줄인다는 것의 진짜 의미

가장 큰 함의는 성공률 숫자가 아니라 그 숫자를 깊이 센서 없이 냈다는 사실에 있다. 라이다와 스테레오 카메라는 로봇 원가에서 무시하기 어려운 비중을 차지하고, 보정과 유지보수 부담도 크다. 카메라 한 대로 같은 수준의 이동이 가능하다면 대당 제조 원가와 고장 지점이 함께 줄어든다. 로봇 도입에서 종종 걸림돌이 되는 것은 알고리즘의 정확도가 아니라 센서 스택의 비용과 복잡성이었다. 로보스트랄 내비게이트가 겨냥한 지점이 바로 여기다. 인지 성능을 소프트웨어로 끌어올려 하드웨어 부품을 덜어내는 접근은, 로봇을 연구실 데모에서 대량 배치 가능한 제품으로 옮기는 방향과 맞닿아 있다.

'포인팅'이라는 발상의 전환

로보스트랄 내비게이트는 이동 거리를 미터 단위로 예측하는 대신 목표 지점의 픽셀 좌표를 가리키는 '포인팅(pointing)' 방식을 쓴다. 이 차이는 단순한 구현 세부가 아니다. 로봇이 '앞으로 몇 미터, 오른쪽으로 몇 도'라는 물리량을 직접 추정하려면 공간의 절대 척도를 알아야 하고, 이는 깊이 정보에 크게 의존한다. 반면 화면 속 어느 픽셀로 가야 하는지를 가리키는 문제로 바꾸면, 단일 RGB 이미지가 이미 담고 있는 정보만으로 목표를 지정할 수 있다. 깊이 센서를 떼어낼 수 있었던 배경에는 이런 문제 재정의가 있다. 이동을 기하 문제에서 이미지 위 지시 문제로 옮긴 셈이며, 이는 시각 언어 모델이 잘 다루는 형태에 가깝다.

벤치마크 숫자를 신중히 읽어야 하는 이유

깊이 센서를 쓰는 최고 시스템을 4.5점 앞섰다는 대목이 이번 성적에서 가장 인상적이다. 통상 깊이 정보를 갖춘 쪽이 공간 판단에서 유리하다고 여겨져 온 만큼, RGB 단일 입력이 이를 넘어선 것은 눈여겨볼 결과다. 다만 이 숫자를 곧바로 현실 성능으로 옮겨 읽는 것은 신중해야 한다. R2R-CE는 시뮬레이션 기반 벤치마크이고, 성공률은 약 40만 개의 시뮬레이션 궤적과 6천 개 장면으로 학습·평가한 결과다. 실제 공간에는 조명 변화, 반사, 센서 노이즈처럼 시뮬레이션이 완전히 담지 못하는 요소가 많아, 벤치마크 성적과 현장 성능 사이에는 이른바 sim-to-real 격차가 남는다. 미스트랄이 제시한 수치는 이 접근의 잠재력을 보여주지만, 실제 배치 성능은 별도의 현장 검증이 필요하다.

학습 효율과 한국 산업에 남는 함의

로보스트랄 내비게이트는 학습 토큰을 22배 줄이면서도 학습 신호를 모두 보존했고, CISPO 온라인 강화학습으로 성공률을 3.2퍼센트 더 끌어올렸다고 미스트랄은 밝혔다. 토큰을 22배 줄였다는 것은 같은 성능을 훨씬 적은 연산으로 얻었다는 뜻으로, 앞선 엔비디아의 와트당 성능 논의와도 맞물린다. 제조와 물류 자동화 수요가 큰 한국 산업 현장에서는 센서 비용을 낮춘 이동 로봇이 도입 문턱을 낮출 수 있다. 다만 미스트랄은 이 모델의 라이선스나 공개 범위, 상용 이용 조건을 명시하지 않았다. 실제 도입을 검토하는 쪽이라면 벤치마크 성적과 별개로, 모델 가중치 공개 여부와 라이선스 조건, 그리고 자사 환경에서의 sim-to-real 검증을 먼저 확인하는 편이 안전하다.

출처: Mistral AI, Robostral Navigate · MarkTechPost (2026-07-14)