Wir stellen GANav vor, einen neuartigen gruppenweisen Aufmerksamkeitsmechanismus zur Identifizierung sicherer und befahrbaren Bereiche in off-road-Geländen und unstrukturierten Umgebungen anhand von RGB-Bildern. Unser Ansatz klassifiziert Geländetypen basierend auf ihrer Befahrbarkeitsstufe mittels grobkörniger semantischer Segmentierung. Der neuartige gruppenweise Aufmerksamkeitsverlust ermöglicht es beliebigen Backbone-Netzwerken, explizit auf die Merkmale verschiedener Gruppen mit niedriger räumlicher Auflösung zu fokussieren. Unser Entwurf ermöglicht eine effiziente Inferenz, während gleichzeitig eine hohe Genauigkeit im Vergleich zu bestehenden State-of-the-Art-Methoden erhalten bleibt. Unsere umfassenden Evaluationen auf den Datensätzen RUGD und RELLIS-3D zeigen, dass GANav gegenüber der State-of-the-Art mIoU-Werte um 2,25–39,05 % auf RUGD und um 5,17–19,06 % auf RELLIS-3D verbessert. Wir integrieren GANav mit einem tiefen Verstärkungslern- basierten Navigationssystem und verdeutlichen dessen Vorteile hinsichtlich der Navigation in realen, unstrukturierten Geländen. Wir implementieren unseren GANav-basierten Navigationssystem auf den Robotern ClearPath Jackal und Husky und beobachten eine Steigerung der Erfolgsrate um 10 %, eine Verbesserung bei der Auswahl der befahrbarsten Oberfläche um 2–47 % sowie eine Verringerung der Trajektorienrauheit um 4,6–13,9 %. Zudem senkt GANav die Falsch-Positiv-Rate verbotener Bereiche um 37,79 %. Der Quellcode, Videos und ein vollständiger technischer Bericht sind unter https://gamma.umd.edu/offroad/ verfügbar.