FoMo

FoMo是由拉瓦尔大学Norlab实验室主导构建的多季节机器人导航数据集，采集于加拿大魁北克 boreal森林长达一年的环境变化数据。该数据集包含64公里六类轨迹的12次重复采集，集成固态激光雷达、FMCW雷达、双目/单目相机及双IMU等多模态传感器数据，并配备GNSS后处理生成的厘米级真值轨迹。其特色在于完整记录了积雪超1米、植被生长等极端季节性变化，旨在解决复杂地形下长期自主导航的SLAM算法鲁棒性评估难题，尤其适用于极地环境自动驾驶系统的开发验证。

搜集汇总

数据集介绍

构建方式

在机器人导航领域，长期自主性面临严峻的环境变化挑战，尤其是季节性剧烈的北方森林。FoMo数据集通过为期一年的系统化采集，在加拿大魁北克的蒙莫朗西森林构建而成。该数据集采用Clearpath Warthog无人地面车辆平台，搭载了旋转式与混合固态激光雷达、调频连续波雷达、立体相机与广角单目相机以及双惯性测量单元组成的多模态传感器套件。数据采集遵循严格的时空同步标准，利用IEEE1588精密时间协议确保各传感器时间戳的一致性，并通过后处理运动学技术融合三个GNSS接收器与静态基站的数据，生成了带有逐点不确定性的高精度地面真值轨迹。总计64公里的六条多样化路径在全年12次部署中重复记录，完整捕捉了积雪超一米、植被生长与平台牵引极限等极端条件。

特点

FoMo数据集的核心特征在于其对北方森林极端季节性变化的全面覆盖，为评估导航算法在长期环境变化下的鲁棒性提供了独特平台。数据集不仅包含了超过一年的多季节数据，还特别记录了深雪积累、传感器遮挡及车辆高俯仰与横滚角等挑战性场景。其传感器配置的完备性尤为突出，首次在同类数据集中同时包含了激光雷达、雷达与立体视觉惯性系统，为多传感器融合研究提供了丰富素材。此外，数据集提供了详细的元数据，包括每分钟更新的现场气象站测量数据、相机标定内参以及车辆功耗信息，这些辅助信息极大地增强了数据集的实用价值与研究深度。

使用方法

该数据集主要服务于机器人定位与建图算法的评估与开发，尤其侧重于研究季节性变化对里程计、同步定位与建图以及位置识别算法性能的影响。用户可通过数据集提供的软件开发套件进行数据格式转换、传感器标定与算法评估。典型的使用流程包括：选择特定部署的数据构建环境表征，随后利用其他季节的传感器数据进行重定位测试，以此评估算法的跨季节鲁棒性。评估指标采用KITTI数据集标准，计算不同长度窗口内的平移漂移。数据集以人类可读格式与ROS2 mcap二进制文件两种形式提供，并支持按需选择传感器模态下载，以适应不同的计算资源与研究需求。

背景与挑战

背景概述

FoMo数据集由加拿大拉瓦尔大学Norlab实验室与多伦多大学机器人研究所于2025年联合发布，旨在应对机器人长期自主导航在极端季节性变化环境中的核心挑战。该数据集在魁北克北部的蒙莫朗西森林中历时一年采集，记录了超过64公里的六条多样化轨迹，涵盖铺装道路、非铺装路面与无路径越野环境。其核心研究问题聚焦于评估同步定位与建图（SLAM）及里程计算法在积雪深度超1米、植被生长显著、光照剧烈变化等严苛多季节条件下的鲁棒性。作为首个全面覆盖寒带森林全年环境变化的开源多模态数据集，FoMo为推进野外机器人长期自主导航研究提供了关键基准，填补了现有数据在极端季节性变化与复杂地形表征方面的空白。

当前挑战

FoMo数据集致力于解决机器人导航在极端多季节变化环境中的定位与建图难题，其核心挑战在于算法对积雪覆盖、植被变化、光照差异等动态因素的适应性。具体而言，视觉里程计面临雪地反光与森林阴影导致的曝光控制困难；激光雷达系统需应对积雪掩埋地形特征引起的特征匹配失效；而雷达与多传感器融合方法则需克服二维感知在三维地形中的局限。在数据集构建过程中，研究团队遭遇了多重挑战：在超过零下20摄氏度的极寒与深雪环境中确保传感器连续稳定工作；在茂密树冠下维持全球导航卫星系统信号的可靠接收以生成高精度地面真值；以及实现激光雷达、雷达、双目相机、惯性测量单元等多模态数据的高精度时间同步与空间标定。这些挑战共同塑造了数据集的独特价值与复杂性。

常用场景

经典使用场景

在机器人自主导航领域，FoMo数据集以其跨季节、多模态的独特设计，成为评估里程计与同步定位与建图（SLAM）算法鲁棒性的经典基准。该数据集在北方森林环境中持续采集一年，涵盖超过64公里的六条多样化轨迹，并重复记录了12次部署。其核心价值在于捕捉了极端季节性变化，如超过一米的积雪累积、植被生长以及传感器遮挡等挑战性场景。研究人员通常利用FoMo来测试激光雷达-惯性、雷达-陀螺以及视觉-惯性等多种融合方法在长期环境变化下的定位精度与地图一致性，尤其关注算法在雪地、泥泞等非结构化地形中的退化情况。

衍生相关工作

基于FoMo数据集，学术界已衍生出多项聚焦于多季节导航的经典研究工作。例如，原始论文中评估的激光雷达-惯性里程计方法（Baril et al., 2022）与雷达-陀螺教学重复系统（Qiao et al., 2025）均利用该数据集揭示了传感器在积雪环境中的性能边界。后续研究可进一步探索视觉-惯性SLAM（如ORB-SLAM3）在跨季节场景中的闭环检测优化，或开发新型融合架构以提升雷达在三维地形中的匹配能力。此外，数据集支持的任务已扩展到语义分割、地形建模与功耗分析等领域，催生了如《Toward Teach and Repeat Across Seasonal Deep Snow Accumulation》（Boxan et al., 2025）等针对长期自主性的前沿研究。

数据集最近研究

最新研究方向

在机器人导航与同步定位与建图领域，FoMo数据集正推动多模态感知系统在极端季节性变化环境中的鲁棒性研究。该数据集以其独特的寒带森林多季节记录，特别是超过一米的积雪累积、植被动态变化及混合路面条件，为长期自主导航算法提供了关键验证平台。当前研究前沿聚焦于融合激光雷达、雷达与视觉惯性数据的跨季节定位与建图方法，旨在解决传统SLAM管道在剧烈环境变化下的失效问题。相关热点探索包括雷达在雪雾条件下的感知增强、多传感器时序融合策略，以及基于环境语义不变性的重定位技术。这些研究对提升野外机器人、林业自动化及极地探测等应用的长期运行能力具有深远意义，并为算法在非结构化自然环境中的泛化性能设定了新的评估基准。

相关研究论文

• FoMo: A Multi-Season Dataset for Robot Navigation in Forêt Montmorency

  拉瓦尔大学·Norlab实验室; 多伦多大学机器人研究所 · 2026年