ByteDance präsentiert Astra: Eine Dualmodul-Architektur für autonome Roboternavigation

ByteDance hat Astra vorgestellt, eine Zwei-Modell-Architektur für die allgemeine Navigation mobiler Roboter, die die Engpässe traditioneller Navigationssysteme überwinden soll. Astra folgt dem System-1/System-2-Paradigma mit zwei Untermodellen: Astra-Global, ein multimodales Large Language Model (MLLM), das niederfrequente Aufgaben wie Selbstlokalisierung und Ziellokalisierung übernimmt; und Astra-Local, ein Multitasking-Netzwerk für hochfrequente Aufgaben wie lokale Pfadplanung und Odometrieschätzung. Astra-Global verwendet einen hybriden topologisch-semantischen Graphen und einen zweistufigen Grob-zu-Fein-Prozess für die visuell-sprachliche Lokalisierung, der mit Supervised Fine-Tuning (SFT) und Group Relative Policy Optimization (GRPO) auf dem Qwen2.5-VL-Backbone trainiert wurde und eine Lokalisierungsgenauigkeit von 99,9% in unbekannten häuslichen Umgebungen erreicht. Astra-Local besteht aus einem 4D-Raumzeit-Encoder, einem Planungs-Head mit maskiertem ESDF-Verlust zur Kollisionsvermeidung und einem Odometrie-Head, das IMU- und Raddaten über ein Transformer-Modell fusioniert, wodurch der Trajektorienfehler auf etwa 2% reduziert wird. Experimente in Lagerhallen, Büros und Haushalten zeigten eine überlegene Leistung gegenüber traditionellen Methoden des Visual Place Recognition (VPR), mit einer Verbesserung der Pose-Genauigkeit um über 30% in Lagerumgebungen. Das Team plant, den Einsatz auf komplexere Umgebungen auszuweiten und die Robustheit in Out-of-Distribution-Szenarien zu verbessern.