إن فهم المشهد الدلالي يُعد أمرًا بالغ الأهمية لضمان التنقل الذاتي الموثوق والآمن، وخاصةً في البيئات غير المُرَصوفة. وعلى الرغم من التطورات الحديثة في التعلم العميق المتعلقة بتقسيم المعالم ثلاثية الأبعاد، فإن هذه الأساليب تعتمد بشكل كبير على مجموعات بيانات تدريب كبيرة؛ لكن المجموعات الحالية الخاصة بالذكاء الاصطناعي للتنقل الذاتي تمثل إما بيئات حضرية، أو تفتقر إلى بيانات متعددة الوسائط في البيئات غير المُرَصوفة. ونُغطي هذه الفجوة من خلال تقديم مجموعة البيانات RELLIS-3D، وهي مجموعة بيانات متعددة الوسائط تم جمعها في بيئة غير مُرَصوفة، وتحتوي على تسميات لـ 13,556 ماسحًا ليدار و6,235 صورة. تم جمع هذه البيانات في حرم جامعة تكساس A&M في موقع Rellis، وتُقدّم تحديات للخوارزميات الحالية تتعلق بانحياز التصنيف وعدم التوازن بين الفئات، بالإضافة إلى تعقيدات التضاريس البيئية. علاوةً على ذلك، قمنا بتقييم أحدث النماذج المعتمدة على التعلم العميق في تقسيم المعالم الدلالية على هذه المجموعة. وأظهرت النتائج التجريبية أن RELLIS-3D تمثل تحديًا حقيقيًا للخوارزميات المصممة خصيصًا لتقسيم المعالم في البيئات الحضرية. وتُعد هذه المجموعة الجديدة موردًا مهمًا يُمكّن الباحثين من مواصلة تطوير خوارزميات أكثر تقدمًا واستكشاف مسارات بحثية جديدة لتحسين التنقل الذاتي في البيئات غير المُرَصوفة. يمكن الوصول إلى RELLIS-3D عبر الرابط: https://github.com/unmannedlab/RELLIS-3D