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
中国1km分辨率逐月降水量数据集（1901-2024）
该数据集为中国逐月降水量数据，空间分辨率为0.0083333°（约1km），时间为1901.1-2024.12。数据格式为NETCDF，即.nc格式。该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国降尺度生成的。并且，使用496个独立气象观测点数据进行验证，验证结果可信。本数据集包含的地理空间范围是全国主要陆地（包含港澳台地区），不含南海岛礁等区域。为了便于存储，数据均为int16型存于nc文件中，降水单位为0.1mm。 nc数据可使用ArcMAP软件打开制图; 并可用Matlab软件进行提取处理，Matlab发布了读入与存储nc文件的函数，读取函数为ncread，切换到nc文件存储文件夹，语句表达为：ncread (‘XXX.nc’,‘var’, [i j t],[leni lenj lent])，其中XXX.nc为文件名，为字符串需要’’；var是从XXX.nc中读取的变量名，为字符串需要’’；i、j、t分别为读取数据的起始行、列、时间，leni、lenj、lent i分别为在行、列、时间维度上读取的长度。这样，研究区内任何地区、任何时间段均可用此函数读取。Matlab的help里面有很多关于nc数据的命令，可查看。数据坐标系统建议使用WGS84。
国家青藏高原科学数据中心 收录
中国行政区划数据
本项目为中国行政区划数据，包括省级、地级、县级、乡级和村级五级行政区划数据。数据来源于国家统计局，存储格式为sqlite3 db文件，支持直接使用数据库连接工具打开。
github 收录
TerraClimate
TerraClimate是一个全球月度气候和水分平衡数据集，涵盖了1958年至今的气候数据。该数据集包括温度、降水、蒸散量、径流、雪水当量、潜在蒸散量和土壤水分等变量。数据集的分辨率为4千米，适用于全球范围内的气候和水分平衡研究。
www.climatologylab.org 收录
China Health and Nutrition Survey (CHNS)
China Health and Nutrition Survey（CHNS）是一项由美国北卡罗来纳大学人口中心与中国疾病预防控制中心营养与健康所合作开展的长期开放性队列研究项目，旨在评估国家和地方政府的健康、营养与家庭计划政策对人群健康和营养状况的影响，以及社会经济转型对居民健康行为和健康结果的作用。该调查覆盖中国15个省份和直辖市的约7200户家庭、超过30000名个体，采用多阶段随机抽样方法，收集了家庭、个体以及社区层面的详细数据，包括饮食、健康、经济和社会因素等信息。自2011年起，CHNS不断扩展，新增多个城市和省份，并持续完善纵向数据链接，为研究中国社会经济变化与健康营养的动态关系提供了重要的数据支持。
www.cpc.unc.edu 收录
全国兴趣点（POI）数据
POI（Point of Interest），即兴趣点，一个POI可以是餐厅、超市、景点、酒店、车站、停车场等。兴趣点通常包含四方面信息，分别为名称、类别、坐标、分类。其中，分类一般有一级分类和二级分类，每个分类都有相应的行业的代码和名称一一对应。 POI包含的信息及其衍生信息主要包含三个部分：
CnOpenData 收录