في عالم متزايد التعقيد، لفهم التضاريس أهمية بالغة بالنسبة للروبوتات المتنقلة التي تعمل في البيئات الخارجية غير المنظمة. تقنيات تقدير قابلية السير المعتمدة على الرؤية تواجه تحديات كبيرة، حيث تعتمد أغلبها على توضيحات خاصة بكل روبوت أو خرائط للفئات الدلالية، مما يحد من إمكانية نقل المعرفة إلى منصات جديدة ويجعل من المكلف إعادة توضيح البيانات عند تغيير قدرات الروبوت.

لكن، ماذا لو كانت لدينا طريقة جديدة، تجمع بين الفئات دون الحاجة لوصفها مسبقًا؟ هذا هو بالضبط ما يقدمه نظام Trinity الجديد، الذي يتميز بنظام يعتمد على العمارة المعتمدة على المحولات (Transformers) ويجمع بين التصنيف الدلالي المحدد بفئات معينة والتصنيف غير المعتمد على الفئات ضمن شبكة متكاملة.

يقوم نظام Trinity بتقسيم المناطق التضاريسية اعتمادًا على المظهر البصري فقط، دون الحاجة لوسوم دلالية مسبقة أو تقديرات تعتمد على الروبوت، مما يعزز من إمكانية التعلم المستخدمة في المهام المختلفة مثل تقدير قابلية السير، والقياس البصري، وتخطيط المهمات.

لضمان تدريب واسع النطاق مع تنوع في مظاهر التضاريس، قام الباحثون بتوسيع محاكي OAISYS وتقديم مجموعة بيانات اصطناعية جديدة تسمى RUGDSynth، مستمدة من بيانات RUGD، وتحتوي على عينات من التضاريس غير المعتمدة على الفئات. كما تم تقديم مجموعة بيانات EXTerra التي توفر صورًا حقيقية مشروحة بكل من الوسوم الدلالية المحددة وغير المعتمدة على الفئات.

أثبتت التجارب feasibility لنهج التصنيف المشترك المقترح وفعاليته في البيئات الخارجية المعقدة، مما يفتح أفقًا جديدًا لتحسين أداء الروبوتات في مهامها اليومية. من المتوقع أن يتم إطلاق الشيفرات ومجموعات البيانات مع هذا المنشور بعد المراجعة.