نُقدّم GANav، آلية انتباه جماعية جديدة لتحديد المناطق الآمنة والقابلة للتنقل في الأراضي الوعرة والبيئات غير المنظمة من صور RGB. تعتمد طريقتنا على تصنيف الأراضي بناءً على مستويات قابليتها للتنقل باستخدام تجزئة دلالية بسيطة. يمكّن خسارة الانتباه الجماعية الجديدة أي شبكة أساسية (backbone) من التركيز صراحةً على ميزات المجموعات المختلفة بحلّة مكانيّة منخفضة. يؤدي تصميمنا إلى استنتاج فعّال مع الحفاظ على مستوى عالٍ من الدقة مقارنةً بالطرق المتطورة الحالية (SOTA). تُظهر تقييماتنا الشاملة على مجموعتي البيانات RUGD وRELLIS-3D أن GANav يحقق تحسّناً في متوسط دقة التقاطع (mIoU) مقارنةً بالطرق المتطورة الحالية بنسبة 2.25–39.05% على RUGD و5.17–19.06% على RELLIS-3D. وقد قمنا بربط GANav بخوارزمية للتنقل تعتمد على التعلم العميق بالتكيف (Deep Reinforcement Learning)، ونُبرز فوائدها في مجال التنقل في البيئات الوعرة الواقعية. كما قمنا بدمج خوارزمية التنقل المستندة إلى GANav مع روبوتين ClearPath Jackal وHusky، ولاحظنا زيادة بنسبة 10% في معدل النجاح، وزيادة من 2% إلى 47% في اختيار السطح الأفضل قابليّة للتنقل، وانخفاضاً بنسبة 4.6% إلى 13.9% في خشونة المسار. بالإضافة إلى ذلك، يقلل GANav معدل الأخطاء الإيجابية الخاطئة للمناطق المحظورة بنسبة 37.79%. يمكن الوصول إلى الكود، والفيديوهات، والتقرير التقني الكامل من خلال الرابط: https://gamma.umd.edu/offroad/.