ロボットが未構造環境（整備されていない野外環境など）を移動する際、同じ地形でもロボットの種類によって走破可能かどうかが大きく異なります。例えば、脚型ロボットが通過できる段差でも、車輪型ロボットには通過不可能な場合があります。これまでの走破性予測手法では、このようなロボットの物理的な制約条件を十分に考慮していませんでした。通常は予測後の段階で軌跡フィルタリングを行う方式が採用されていましたが、これではロボット固有の能力を学習表現に直接組み込むことができていませんでした。 本研究では、Capability-Aware Traversability（CAT）という新しいフレームワークを提案しています。このフレームワークの最大の特徴は、ロボットの物理的な制限条件を空間特性の特徴空間に直接組み込む点です。CATは対話的なアノテーションパイプラインを通じて密集した監督マスクを物理的な軌跡に基づいて設定し、Spatially-Adaptive Denormalization（SPADE）ブロックを使用してセマンティック地形マップをロボット固有の走破性ベクトルで調整します。 人間が注釈を付けたデータセットと軌跡アラインメントされたデータセット両方での評価結果から、CATは全てのランキングベースメトリクスで最高性能を達成しました。物理的に実行された軌跡ではAUROCが11.0%改善され、人間の軌跡データに対してはAUPRCが15.8%改善されています。アブレーション研究により、空間条件付けとロボット固有のプロトタイプが、汎用的な経路予測を超えた能力感度を生み出すことが確認されました。脚型四足ロボットと車輪型スキッドステアロボットでの実装では、組み込みハードウェア上で秒間4.8フレームの処理速度で、ロボット体型に対応した障害物回避が実現されました。