FoMo数据集

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。

The FoMo dataset is a multi-seasonal deep snow accumulation dataset developed by the Northern Robotics Laboratory at Laval University, Quebec City, Canada. It encompasses radar and LiDAR data collected across various time periods, which is utilized to assess the effects of seasonal variations on the Teach and Repeat (T&R) navigation framework. Created by the Northern Robotics Laboratory, this dataset aims to address the impact of seasonal variations on robotic navigation, especially under conditions of deep snow accumulation. The dataset's size and number of Tokens are not specified in the associated paper, and its application field focuses on robotic navigation, with the core objective of tackling the challenges brought by seasonal variations to robotic navigation.

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。