ByteDance、自律型ロボットナビゲーション向けの二重モジュールアーキテクチャ「Astra」を発表

ByteDanceは、汎用モバイルロボットナビゲーション向けのデュアルモデルアーキテクチャ「Astra」を発表しました。これは、従来のナビゲーションシステムのボトルネックを克服するために設計されています。AstraはSystem 1/System 2のパラダイムに従い、2つのサブモデルで構成されます。低周波タスク（自己位置推定や目標位置特定など）を処理するマルチモーダル大規模言語モデル（Multimodal Large Language Model、MLLM）であるAstra-Globalと、高周波タスク（局所経路計画やオドメトリ推定など）を処理するマルチタスクネットワークであるAstra-Localです。Astra-Globalは、ハイブリッドトポロジー意味グラフと粗密2段階プロセスによる視覚言語位置推定を採用し、Qwen2.5-VLバックボーン上で教師付きファインチューニング（Supervised Fine-Tuning、SFT）とグループ相対ポリシー最適化（Group Relative Policy Optimization、GRPO）を用いて訓練され、未見の家庭環境で99.9%の位置推定精度を達成しています。Astra-Localは、4次元時空間エンコーダ、マスク付きESDF損失による衝突回避のための計画ヘッド、およびTransformerモデルを介してIMUと車輪データを融合するオドメトリヘッドで構成され、軌跡誤差を約2%に低減します。倉庫、オフィス、家庭での実験では、従来のVisual Place Recognition（VPR）手法よりも優れた性能を示し、倉庫環境では姿勢精度が30%以上向上しました。チームは、より複雑な環境への展開を拡大し、分布外シナリオでのロバスト性を向上させる計画です。