Trinity 是一篇于 2026 年 5 月 26 日提交到 arXiv 的机器人学研究论文（编号 arXiv:2605.27644v1），作者为 Marcus G. Müller 及另外七位合作者，隶属 cs.RO 分类，并同时关联人工智能（cs.AI）与机器学习（cs.LG）方向。论文提出了一种名为 Trinity 的基于 Transformer 的统一网络架构，其核心目标是在同一个模型内同时完成两类任务：类特定的语义分割，以及与类别无关的地形分割。
研究背景方面，作者指出地形理解是移动机器人在非结构化户外环境中运行的基础能力。现有的基于视觉的可通行性估计方法通常依赖针对特定机器人平台标注的数据，或依赖语义类别映射，这导致模型难以在不同平台之间迁移；一旦机器人的运动能力或任务需求发生变化，就需要付出高昂的重新标注成本。另一方面，标准的语义分割方法只关注预先定义的特定类别，无法充分覆盖户外环境中地形的多样性。
Trinity 的关键设计在于，地形区域的分割仅依据视觉外观进行，不依赖预定义的语义标签，也不依赖与具体机器人相关的可通行性评分。作者认为，这种形式化方式能够学习到与机器人无关的视觉地形先验知识，这些先验随后可以与特定机器人的经验相结合，服务于可通行性估计、视觉里程计以及任务规划等下游任务。
为了支持大规模且地形外观多样的训练，研究团队扩展了 OAISYS 仿真器，并构建了一个名为 RUGDSynth 的合成数据集。该数据集受 RUGD 启发，专门包含与类别无关的地形样本。此外，作者还提出了 EXTerra 数据集，提供同时标注了类特定标签与类别无关地形标签的真实世界图像。
论文的实验结果表明，所提出的任务具有可行性，并且这种联合分割方法在复杂户外环境中是有效的。作者表示，代码与数据集将在论文评审结束后随发表一同公开。该论文全文约 10,781 KB，提交时间为 2026 年 5 月 26 日 20:04:19 UTC。