Trinity：利用合成数据统一非结构化室外环境中的类别无关地形分割与语义分割
机器人学
2026-05-28 v1 人工智能
机器学习
摘要
地形理解对于在非结构化室外环境中运行的移动机器人至关重要。现有的基于视觉的可通行性估计方法依赖于机器人特定的标注或语义类别映射，这限制了跨平台的迁移性，并在机器人能力变化时需要昂贵的重新标注，而标准的语义分割方法仅关注特定的预定义类别，无法捕捉地形的多样性。在这项工作中，我们提出了一种基于Transformer的架构，该架构在一个统一的网络（称为Trinity）中联合执行类别特定的语义分割和类别无关的地形分割。地形区域仅根据视觉外观进行分割，无需预定义的语义标签或机器人相关的可通行性分数。这种公式使得能够学习与机器人无关的视觉地形先验，这些先验可以与机器人特定的经验相结合，用于下游任务，如可通行性估计、视觉里程计和任务规划。为了实现具有多样地形外观的大规模训练，我们扩展了OAISYS模拟器，并引入了RUGDSynth，这是一个受RUGD启发、包含类别无关地形样本的合成数据集。此外，我们提出了EXTerra数据集，提供了同时标注了类别特定和类别无关地形标签的真实世界图像。实验证明了所提出任务的可行性以及我们的联合分割方法在复杂室外环境中的有效性。代码和数据集将在本出版物发布时（经过审阅后）公开。
引用
@article{arxiv.2605.27644,
title = {Trinity: Unifying Class-Agnostic Terrain and Semantic Segmentation for Unstructured Outdoor Environments by Leveraging Synthetic Data},
author = {Marcus G Müller and Wout Boerdijk and Maximilian Durner and Riccardo Giubilato and Abel Gawel and Wolfgang Stürzl and Roland Siegwart and Rudolph Triebel},
journal= {arXiv preprint arXiv:2605.27644},
year = {2026}
}