字节跳动发布Astra双模型架构，赋能通用移动机器人导航

突破传统导航瓶颈：Astra应需而生

随着机器人在工业制造、仓储物流及家庭服务等场景加速落地，复杂室内环境下的自主导航能力成为关键瓶颈。现有系统通常依赖多个独立、规则驱动的小模块分别处理目标定位、自定位与路径规划，难以应对重复结构（如仓库）、动态障碍与模糊指令等挑战。为系统性解决‘我在哪？’‘我要去哪？’‘怎么到达？’三大核心问题，字节跳动研发出Astra——一种面向通用移动机器人的分层多模态导航架构。

双模型协同：System 1与System 2范式落地

Astra采用类人类认知的System 1（快速直觉）/System 2（慢速推理）设计，由两大子模型构成：Astra-Global负责低频、高精度全局任务（自定位与目标定位），Astra-Local专注高频、实时局部任务（局部路径规划与里程估计）。二者分工明确、协同工作，避免传统单一大模型在响应延迟与计算开销间的折衷困境。

Astra-Global：多模态语义定位引擎

作为Astra的‘智能大脑’，Astra-Global是一个多模态大语言模型（MLLM），以Qwen2.5-VL为骨干，融合视觉与语言输入实现厘米级地图内定位。其核心创新在于构建并利用混合拓扑-语义图（G=(V,E,L)）：节点V为SfM重建的关键帧（含6DoF相机位姿），边E表征节点间空间连通性，语义标签L则由模型从各节点图像中自动提取功能化地标（如‘蓝色货架左上角’‘饮水机旁绿植’），并通过共视关系关联多节点。该图在离线建图阶段一次性生成，为后续在线定位提供强语义上下文。

视觉-语言定位：粗粒度匹配+细粒度精调

实际定位过程采用两阶段机制：粗阶段接收查询图像或文本指令，检测并匹配预建地标库，筛选视觉一致候选；细阶段基于粗结果，在离线地图中采样参考节点，联合比对视觉特征与空间位姿，直接输出6DoF预测位姿。对语言指令（如‘去会议室B旁边的咖啡机’），模型解析语义功能描述，通过地标-节点映射机制检索对应地图节点，返回目标图像与精确位姿。

训练策略：监督微调+组相对策略优化

为提升零样本泛化能力，团队采用两阶段训练：第一阶段使用多样化数据集进行监督微调（SFT），覆盖粗/细定位、共视检测与运动趋势估计；第二阶段引入组相对策略优化（GRPO），设计包含格式合规性、地标提取准确率、地图匹配度及额外地标奖励的规则化奖励函数，显著提升视觉-语言联合定位鲁棒性。实验表明，GRPO使Astra-Global在未见场景下的零样本定位准确率大幅提升。

开源与展望

相关研究论文《Astra: Toward General-Purpose Mobile Robots via Hierarchical Multimodal Learning》已公开，配套代码与技术文档发布于官网（https://astra-mobility.github.io/）。目前Astra聚焦室内静态环境导航，未来将拓展至动态避障、跨楼层导航及多机器人协同等方向。

> 编者观点：Astra并非单纯算法升级，而是将大模型能力深度嵌入机器人感知-决策闭环的设计范式转变。对中国具身智能企业而言，其“离线建图+在线轻量推理”架构与语义图构建方法，为低成本、可扩展的商用机器人导航提供了可复用的技术路径。