非構造屋外環境で活動する移動ロボットにとって、地形の理解は基本的な課題である。既存の視覚ベースの走行可能性推定手法は、ロボット固有のアノテーションやセマンティッククラスマッピングに依存している。そのため、異なるプラットフォーム間での転用が難しく、ロボットの能力が変わると高コストな再アノテーションが必要になる。一方、標準的なセマンティックセグメンテーション手法は特定の事前定義クラスのみに焦点を当てており、多様な地形を捉えきれない。
この問題に対処するため、研究チームはTrinityと呼ぶTransformerベースのアーキテクチャを提案した。Trinityは、クラス特有のセマンティックセグメンテーションとクラス非依存の地形セグメンテーションを、単一の統合ネットワーク内で同時に実行する。
地形領域は、事前定義されたセマンティックラベルやロボット依存の走行可能性スコアを使わず、視覚的外観のみに基づいて分割される。この定式化により、ロボットに依存しない視覚的地形事前分布を学習できる。学習された事前分布は、ロボット固有の経験と組み合わせることで、走行可能性推定、視覚オドメトリ、ミッション計画といった下流タスクに利用できる。
多様な地形外観を持つ大規模な訓練を可能にするため、研究チームはOAISYSシミュレータを拡張し、RUGDに着想を得た合成データセットRUGDSynthを導入した。RUGDSynthにはクラス非依存の地形サンプルが含まれる。さらに、実世界画像にクラス特有ラベルとクラス非依存地形ラベルの両方を付与したEXTerraデータセットも提示している。
実験では、提案タスクの実現可能性と、複雑な屋外環境における共同セグメンテーション手法の有効性が示された。論文摘要によると、コードとデータセットは査読後に公開される予定である。本論文はロボティクス（cs.RO）に分類され、人工知能（cs.AI）および機械学習（cs.LG）にも関連する。arXiv:2605.27644v1として2026年5月26日に投稿され、Marcus G Müller氏ら8名の著者によるものである。