ByteDance Introduces Astra — a Dual-Module Architecture for Autonomous Robot Navigation

ByteDance представила Astra — новую архитектуру для навигации мобильных роботов, решающую проблемы традиционных систем, состоящих из множества мелких правиловых модулей. Архитектура основана на парадигме System 1/System 2 и включает две основные модели: Astra-Global — мультимодальная большая языковая модель (MLLM), отвечающая за низкочастотные задачи (самолокализация и целевая локализация), и Astra-Local — многозадачная сеть для высокочастотных задач (локальное планирование пути и оценка одометрии). Astra-Global использует гибридный тополого-семантический граф, построенный офлайн, и двухэтапный процесс локализации «от грубого к точному». Для обучения применялись Supervised Fine-Tuning и Group Relative Policy Optimization. Astra-Local включает 4D пространственно-временной энкодер, головку планирования на основе Transformer и потокового согласования с masked ESDF loss, а также головку одометрии, объединяющую данные с разных датчиков. Эксперименты показали, что Astra достигает 99,9% точности локализации в незнакомых домашних средах, значительно превосходит традиционные методы Visual Place Recognition в точности позы и снижает количество столкновений. Архитектура пригодна для использования на складах, в офисах и домах, однако требуются улучшения для работы в малопризнаковых средах и для повышения робастности к OOD-сценариям.