Trinity：合成データを活用した非構造化屋外環境におけるクラス非依存地形分割とセマンティックセグメンテーションの統一

非構造化屋外環境における地形理解は、移動ロボットの自律ナビゲーションにとって重要な課題です。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おり、プラットフォーム間の転移性が制限され、ロボットの能力（サイズや駆動方式など）が変わると高コストな再アノテーションが必要になります。また、標準的なセマンティックセグメンテーション手法は、「道路」「車両」などの事前定義クラスのみに焦点を当てており、多様な地形の外観（泥、砂地、草地など）を捉えることができません。これらの欠点に対処するため、研究チームはTrinityと呼ばれるトランスフォーマーベースの統一アーキテクチャを提案しました。Trinityの核心は、クラス固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同時に実行することです。クラス非依存の分割は、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に頼らず、地形の視覚的外観のみに基づいて領域を分割します。これにより、特定のロボットに依存しない視覚的地形事前知識を学習できます。この事前知識は、デモや自己探索を通じて得られるロボット固有の経験と組み合わせることで、異なるロボットプラットフォームやタスクに適応できます。このようなモデルを訓練するには、多様な地形外観を含む大量の画像が必要です。そこで、研究チームはOAISYSシミュレータを拡張してよりリアルな地形シーンを生成できるようにし、RUGDデータセットに基づいてクラス非依存の地形サンプルを含むRUGDSynth合成データセットを作成しました。さらに、EXTerra実世界データセットも提供しており、画像には「草地」「砂利」などのクラス固有ラベルと、「通行可能」「危険」などのクラス非依存ラベルの両方が付与されています。実験は森林、山地、砂漠などの多様な複雑屋外環境で行われ、Trinityの統合分割手法の有効性と一般化能力が確認されました。研究チームは、コードとデータセットを論文審査後に公開し、この分野の研究を促進する予定です。