有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
FoMo数据集|机器人导航数据集|季节性变化数据集
收藏arXiv2025-05-02 更新2025-05-06 收录
下载链接：
https://norlab-ulaval.github.io/FoMo-website
下载链接
链接失效反馈资源简介：
FoMo数据集是由加拿大魁北克市拉瓦尔大学北方机器人实验室创建的一个多季节深度雪积累数据集。该数据集包含不同时间段的雷达和激光雷达数据，用于评估季节性变化对教与重复（T&R）导航框架的影响。数据集由北方机器人实验室创建，旨在解决季节性变化对机器人导航的影响，特别是在深度雪积累的条件下。数据集的大小和Tokens数并未在论文中提及，但数据集的应用领域为机器人导航，旨在解决季节性变化对机器人导航的影响。
提供机构：
加拿大魁北克市拉瓦尔大学北方机器人实验室
创建时间：
2025-05-02
AI搜集汇总
数据集介绍
构建方式
FoMo数据集的构建依托于在魁北克Montmorency森林进行的多季节实地实验，采用Clearpath Robotics Warthog无人地面车辆(UGV)作为数据采集平台，搭载RoboSense RS-128激光雷达、Navtech CIR-304H雷达、VectorNav VN-100惯性测量单元及多套GNSS接收机等传感器。数据采集跨越2024年11月至2025年3月的雪季，通过人工示教路径后让机器人自主重复轨迹的方式，系统记录了不同积雪深度（0-1.04米）条件下激光雷达与雷达的感知数据，同时结合高精度GNSS后处理轨迹作为真值参考。
特点
该数据集的核心价值在于其捕捉了极端季节性变化对机器人导航的影响，特别是深雪积累导致的场景结构改变。数据集包含三维激光雷达点云、FMCW雷达子地图、多模态传感器同步数据，以及-26°C至5°C温度范围内的操作日志。独特之处在于记录了113天时间跨度内相同路径的重复实验数据，为研究长期环境变化下的定位算法鲁棒性提供了珍贵样本。数据中显著的地形姿态变化（最大俯仰角±11.5°、横滚角±14.4°）和雪堆引起的传感器遮挡现象，为开发抗干扰导航算法提出了明确挑战。
使用方法
研究者可利用该数据集评估各类定位算法在季节性变化环境中的性能衰减规律。激光雷达数据建议通过高度滤波（如移除1.5米以下的点云）来消除积雪干扰；雷达数据则需重点分析二维扫描与三维地形不匹配问题。数据集配套的GNSS真值轨迹可用于定量分析定位误差，而多时间节点的同步传感器数据支持跨模态融合算法开发。对于路径规划研究，数据集中标记的狭窄通道、急转弯等典型场景（如gate和drop区域）可作为算法测试的关键节点。建议结合温度、积雪深度等元数据，建立环境变化与导航性能的关联模型。
背景与挑战
背景概述
FoMo数据集是由加拿大拉瓦尔大学Northern Robotics Laboratory和多伦多大学Robotics Institute的研究团队于2025年提出的创新性数据集，专注于极端季节性变化环境下的机器人导航研究。该数据集源于对'教导与重复'(Teach and Repeat)导航范式在深雪累积的北方森林环境中适用性的探索，主要解决移动机器人在长期环境变化下的自主定位与路径重复问题。研究团队通过搭载激光雷达(LiDAR)和调频连续波雷达(FMCW)的Clearpath Warthog无人地面车辆，在魁北克Montmorency森林进行了跨越113天的多季节实验，记录了包括零积雪至1米深雪等多种环境状态下的传感器数据。该数据集为季节性变化环境中的自主导航算法开发提供了重要基准，填补了该领域长期环境适应性研究的空白。
当前挑战
FoMo数据集面临的核心挑战体现在两个方面：在领域问题层面，季节性深雪累积导致的环境剧烈变化对传感器数据一致性构成严峻考验，特别是雷达在车辆高俯仰/横滚角情况下的定位失效问题，以及激光雷达在雪堆高达3米时的特征匹配困难。在数据集构建层面，研究团队需要克服极端冬季环境下的技术难题，包括零下26℃低温对传感器性能的影响、深雪地形导致的履带式平台高能耗问题，以及GNSS信号被茂密树冠遮挡造成的真值获取困难。此外，多时间跨度数据采集带来的平台机械结构调整（如轮式到履带的转换）也引入了额外的数据对齐复杂性。这些挑战使得该数据集成为验证长期环境变化下导航算法鲁棒性的重要测试平台。
常用场景
经典使用场景
FoMo数据集在机器人导航领域展现了其独特价值，尤其是在极端季节性变化环境下的教学与重复（Teach and Repeat, T&R）任务中。该数据集通过记录冬季森林环境中激光雷达（LiDAR）和调频连续波雷达（FMCW radar）的多模态数据，为研究机器人如何在积雪覆盖的复杂地形中实现自主路径重复提供了关键基准。经典场景包括在积雪深度超过1米的北方针叶林中，机器人基于数月前的教学路径进行定位与轨迹复现，验证了传感器在极端环境下的鲁棒性。
解决学术问题
FoMo数据集解决了长期困扰机器人导航领域的季节性环境适应问题。通过对比不同积雪条件下（如113天前后）的传感器数据，研究者能够量化雷达与激光雷达在特征匹配、姿态估计中的性能差异。例如，激光雷达通过滤除低矮积雪点云仍能保持定位能力，而雷达在路径偏差较小时可跨季节定位，但受车辆俯仰/横滚角影响显著。这些发现为开发跨季节鲁棒导航算法提供了理论依据，填补了极端环境T&R系统性评估的空白。
衍生相关工作
FoMo数据集催生了多项跨模态导航的创新研究。如Qiao等人基于该数据开发的雷达T&R框架（RT&R）结合模型预测控制（MPC），实现了雪地环境的高精度路径跟踪；Boxan团队则利用语义分割提升激光雷达在积雪场景的特征提取效率。此外，数据集启发了对传感器局限性的深入探讨，例如雷达在三维运动投影中的误差补偿方法，以及深雪环境下履带式机器人的能耗优化策略，相关成果发表于ICRA等顶级机器人会议。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
giovannidemuri__sharegpt-ex50000-seed5_llama8b-er-v573-seed2-hx_256_ngt0.7_tp0.9
该数据集包含了用户与助手之间的对话，其中包含两个字段：用户发言和助手回应，均为字符串类型。训练集大小为38646852字节，共有44096条对话记录。
huggingface 收录
flames-and-smoke-datasets
该仓库总结了多个公开的火焰和烟雾数据集，包括DFS、D-Fire dataset、FASDD、FLAME、BoWFire、VisiFire、fire-smoke-detect-yolov4、Forest Fire等数据集。每个数据集都有详细的描述，包括数据来源、图像数量、标注信息等。
github 收录
HAM10000
HAM10000数据集是一个全面收集的皮肤镜图像集合，用于皮肤病变分类，广泛应用于医学影像和机器学习领域。该数据集包含多种皮肤病变，旨在推动皮肤病学研究，特别是皮肤癌的诊断。数据集由10,000张高分辨率的皮肤病变图像组成，来源多样，有助于训练稳健的机器学习模型，使其能够很好地泛化到未见过的数据。数据集的主要挑战是其显著的不平衡性。
github 收录
Paper III (Walker et al. 2024)
Data products used in 3-D CMZ Paper III, Walker et al. (2024). The full cloud catalogue is provided in tabular format, along with a full CMZ map showing the clouds and their assigned IDs. For each cloud ID in the published catalogue there are: - Individual cube cutouts from the MOPRA 3mm CMZ survey (HC3N, HCN, and HNCO). - Individual cube cutouts from the APEX 1mm CMZ survey (13CO, C18O, and H2CO). - Cloud-averaged spectra of the ATCA H2CO 4.83 GHz line. - PV slices of the ATCA H2CO 4.83 GHz line, taken across the major axis of the source. - Where applicable, there are mask files which correspond to the different velocity components of the cloud. In these cases, there are two mask files per velocity component, corresponding to the different masking approaches described in the paper.
DataCite Commons 收录
AgiBot World
为了进一步推动通用具身智能领域研究进展，让高质量机器人数据触手可及，作为上海模塑申城语料普惠计划中的一份子，智元机器人携手上海人工智能实验室、国家地方共建人形机器人创新中心以及上海库帕思，重磅发布全球首个基于全域真实场景、全能硬件平台、全程质量把控的百万真机数据集开源项目 AgiBot World。这一里程碑式的开源项目，旨在构建国际领先的开源技术底座，标志着具身智能领域 「ImageNet 时刻」已到来。AgiBot World 是全球首个基于全域真实场景、全能硬件平台、全程质量把控的大规模机器人数据集。相比于 Google 开源的 Open X-Embodiment 数据集，AgiBot World 的长程数据规模高出 10 倍，场景范围覆盖面扩大 100 倍，数据质量从实验室级上升到工业级标准。AgiBot World 数据集收录了八十余种日常生活中的多样化技能，从抓取、放置、推、拉等基础操作，到搅拌、折叠、熨烫等精细长程、双臂协同复杂交互，几乎涵盖了日常生活所需的绝大多数动作需求。
github 收录