Navegação Robótica

A empresa ByteDance apresentou recentemente uma arquitetura inovadora chamada Astra, que promete revolucionar a navegação de robôs em ambientes internos complexos. Com a integração crescente de robôs em diversas áreas, desde a manufatura industrial até a vida diária, há uma necessidade cada vez maior por sistemas de navegação avançados. No entanto, os sistemas de navegação de robôs contemporâneos enfrentam desafios significativos em ambientes internos diversificados e complexos, expondo as limitações das abordagens tradicionais. Para resolver essas questões fundamentais, a ByteDance desenvolveu Astra, uma arquitetura dual-modelo projetada para superar os gargalos de navegação tradicionais e permitir que robôs móveis sejam utilizados de forma mais ampla.

Os sistemas de navegação tradicionais geralmente consistem em módulos menores e frequentemente baseados em regras para lidar com os desafios centrais de localização de destino, auto-localização e planejamento de caminho. A localização de destino envolve entender pistas de linguagem natural ou imagens para identificar um destino em um mapa. A auto-localização requer que o robô determine sua posição exata dentro de um mapa, especialmente desafiador em ambientes repetitivos, como armazéns, onde os métodos tradicionais muitas vezes dependem de marcos artificiais, como códigos QR. O planejamento de caminho divide-se ainda em planejamento global para geração de rotas grossas e planejamento local para evasão de obstáculos em tempo real e alcance de pontos intermediários.

Embora os modelos de fundamento tenham mostrado promessa na integração de modelos menores para lidar com tarefas mais amplas, o número ótimo de modelos e sua integração eficaz para navegação abrangente permanecia uma questão aberta. A Astra, da ByteDance, detalhada em seu artigo “Astra: Rumo a Robôs Móveis de Propósito Geral via Aprendizado Multimodal Hierárquico”, aborda essas limitações. Seguindo o paradigma Sistema 1/Sistema 2, a Astra apresenta dois sub-modelos principais: Astra-Global e Astra-Local. O Astra-Global lida com tarefas de baixa frequência, como localização de destino e auto-localização, enquanto o Astra-Local gerencia tarefas de alta frequência, como planejamento de caminho local e estimação de odometria. Essa arquitetura promete revolucionar a forma como os robôs navegam em espaços internos complexos.

O Astra-Global serve como o núcleo inteligente da arquitetura Astra, responsável por tarefas críticas de baixa frequência: auto-localização e localização de destino. Ele funciona como um Modelo de Linguagem Multimodal Grande (MLLM), capaz de processar tanto entradas visuais quanto linguísticas para alcançar uma posição global precisa dentro de um mapa. Sua força reside no uso de um grafo topológico-semântico híbrido como entrada contextual, permitindo que o modelo localize posições com base em imagens de consulta ou prompts de texto.

A construção desse sistema de localização robusto começa com o mapeamento offline. A equipe de pesquisa desenvolveu um método offline para construir um grafo topológico-semântico híbrido G=(V,E,L). Na prática, a localização do Astra-Global utiliza um processo de duas etapas de grossa para fina para localização visual-linguística. A etapa grossa analisa imagens de entrada e prompts de localização, detecta marcos, estabelece correspondência com um mapa de marcos pré-construído e filtra candidatos com base na consistência visual. A etapa fina, então, usa a imagem de consulta e a saída grossa para amostrar nós do mapa de referência a partir do mapa offline, comparando suas informações visuais e posicionais para saída direta da pose prevista.

Para localização de destino baseada em linguagem, o modelo interpreta instruções de linguagem natural, identifica marcos relevantes usando suas descrições funcionais dentro do mapa e, em seguida, utiliza mecanismos de associação de marcos para localizar nós relevantes, recuperando imagens de destino e poses 6-DoF. Para dotar o Astra-Global de habilidades de localização robustas, a equipe empregou uma metodologia de treinamento meticulosa. Usando Qwen2.5-VL como espinha dorsal, combinaram Ajuste Fino Supervisionado (SFT) com Otimização de Política Relativa de Grupo (GRPO). O SFT envolveu conjuntos de dados diversificados para várias tarefas, incluindo localização grossa e fina, detecção de co-visibilidade e estimação de tendência de movimento. Na fase GRPO, uma função de recompensa baseada em regras (incluindo formato, extração de marcos, correspondência de mapa e recompensas de marcos adicionais) foi usada para treinar a localização visual-linguística. Experimentos mostraram que o GRPO melhorou significativamente a generalização zero-shot do Astra-Global, alcançando 99,9% de precisão de localização em ambientes domésticos não vistos, superando os métodos SFT apenas.

O Astra-Local atua como o assistente inteligente para as tarefas de alta frequência da Astra, uma rede multi-tarefa capaz de gerar eficientemente caminhos locais e estimar com precisão a odometria a partir de dados de sensores. Sua arquitetura compreende três componentes principais: um codificador espácio-temporal 4D, uma cabeça de planejamento e uma cabeça de odometria. O codificador espácio-temporal 4D substitui os tradicionais módulos móveis por uma abordagem mais integrada e eficiente, permitindo uma melhor percepção do ambiente e uma navegação mais precisa.

A Astra, com sua arquitetura dual-modelo, representa um grande passo em direção à criação de robôs móveis de propósito geral