GANav：非構造的屋外環境におけるロボットナビゲーションのための効率的な地形セグメンテーション

本稿では、RGB画像から非舗装地形および非構造的環境における安全かつ走行可能な領域を特定するための新規なグループワイズアテンション機構「GANav」を提案する。本手法は、粗粒度のセマンティックセグメンテーションを用いて、走行可能性のレベルに基づいて地形を分類する。我々が提案する新しいグループワイズアテンション損失関数により、任意のバックボーンネットワークが低解像度の空間領域において異なるグループの特徴に明示的に注目できる。この設計により、従来の最先端（SOTA）手法と比較して高い精度を維持しつつ、効率的な推論が可能となる。RUGDおよびRELLIS-3Dデータセットにおける広範な評価結果から、GANavはRUGDにおいてSOTAのmIoUに対して2.25～39.05%、RELLIS-3Dでは5.17～19.06%の性能向上を達成した。さらに、GANavを深層強化学習に基づくナビゲーションアルゴリズムと統合し、現実の非構造的地形におけるナビゲーションにおける利点を実証した。本手法をClearPath JackalおよびHuskyロボットに統合した結果、成功確率が10%向上し、走行可能度が最も高い表面を選定する割合が2～47%向上し、軌道の粗さが4.6～13.9%低下した。また、禁止区域に対する誤検出率は37.79%低減された。コード、動画、および包括的な技術報告書は、https://gamma.umd.edu/offroad/ にて公開されている。